医学图像分割的半监督学习。
近来，半监督图像分割已成为医学图像计算中的热门话题，不幸的是，由于隐私策略等原因，只有少数开源代码和数据集。为了便于评估和公平比较，我们正在尝试建立一个半监督医学图像分割基准，以促进医学影像计算社区中的半监督学习研究。如果您有兴趣，可以随时将实现或想法推送到此存储库。
该项目最初是为我们以前的工作开发的，如果您发现对您的研究有用，请考虑引用以下内容：
@article{luo2020urpc,
title={Efficient Semi-supervised Gross Target Volume of Nasopharyngeal Carcinoma Segmentation via Uncertainty Rectified Pyramid Consistency},
author={Luo, Xiangde and Liao, Wen
2021-09-07 15:10:50
114KB
1
双任务一致性
本文的代码：通过双任务一致性进行半监督医学图像分割（ ）
@article{luo2021semi,
title={Semi-Supervised Medical Image Segmentation through Dual-task Consistency},
author={Luo, Xiangde and Chen, Jieneng and Song, Tao and Wang, Guotai},
journal={AAAI Conference on Artificial Intelligence},
year={2021}
}
要求
一些重要的必需软件包包括：
版本> = 0.4.1。
TensorBoardX
的Python == 3.6
一些基本的python软件包，例如Numpy，Scikit-image，SimpleITK，S
2021-09-07 14:29:05
100.02MB
1
介绍
我们使用提出的DualGAN架构对脑肿瘤扫描进行无监督的图像分割。
DualGAN的架构
数据集
使用的数据集可收集本的作者
先决条件
Python（2.7或更高版本）
麻木
科学的
NVIDIA GPU + CUDA 8.0 + CuDNN v5.1
TensorFlow 1.0或更高版本
MATLAB（用于初始图像处理和计算DICE分数）
脚步
准备图像：
Run the prepareimgs.m MATLAB file.
Original images (domain A) will be generated in folder /datasets/med-image/train/A from the .mat files.
Segmented images (domain B) with highlighted tumor regions will be gener
2021-09-03 17:48:18
60.79MB
1