当使用体积图像进行深度学习时，标记数据是一个很大的挑战。 在放射治疗领域，从CT图像中，提取人体、器官、GTV等各个区域作为区域数据，并存储在DICOM RT的RT-Structure中。 这些数据主要用于计划治疗，但我们也可以使用它们作为标签数据来加速深度学习工作流程。 通过此演示，您可以了解如何将 RT-Structure 数据转换为标签数据，并使用它们在 MATLAB 上训练 3D UNet（语义分割）模型。
[日本人]医学图像 3D 深度学习的主要挑战是标记复杂且耗时。在放射治疗领域，人体、器官、肿瘤等被定义为所拍摄的 CT 图像的区域，并由 DICOM RT 的 RT-Structure 管理。这些是为治疗计划而创建的，但提取的区域数据也可以用作深度学习的标签。在此演示中，您可以转换 RT-Structure 数据以用于深度学习并学习流程，直到将其用于学习 3D UNet。
2023-01-13 11:10:12
2.37MB
1
带有pyqt5界面，模型，操作说明，有大量代码注释。图像分割。
该项目代码可供参考学习，里面有很多自定义修改的地方，界面挺好!
适合深度学习初学者、或者正在做毕设的学生和需要项目实战AI算法工程师，学习借鉴。
2022-12-06 17:26:33
217MB
unet 训练结果 image-segmentation-keras-master
2022-11-28 12:25:39
667.02MB
1
UNet模型医学视网膜血管2015年到最近的英文文献和源码统计
包括unet和unet变体源码文献r2unet和cenet和unet3+和3dunet和segnet和unet2和nnunet和Vnet源码等等以及注意力机制
可以复现到别的医学领域
视网膜数据集之前资源里有
2022-10-19 21:05:35
999MB
1
UNet：使用PyTorch进行语义分割
在PyTorch中自定义实施以应对Kaggle的高清图像。
该模型从头开始使用5000张图像进行了训练（无数据增强），并且在超过100k张测试图像上获得了0.988423的（735中的511分）。可以通过更多的培训，数据增强，微调，使用CRF后处理以及在蒙版的边缘上施加更多的权重来提高此分数。
Carvana数据可在上。
用法
注意：使用Python 3.6或更高版本
预言
训练好模型并将其保存到MODEL.pth后，您可以通过CLI轻松测试图像上的输出蒙版。
要预测单个图像并保存，请执行以下操作：
python predict.py -i image.jpg -o output.jpg
要预测多幅图像并显示它们而不保存它们，请执行以下操作：
python predict.py -i image1.jpg image2.jpg --viz -
2022-08-29 21:24:17
21.76MB
1