|
Unet框架 |
GitHub |
介绍 |
|
nnuet |
MIC-DKFZ/nnUNet |
十项全能冠军，自动构建分割任务 虽然基于UNet的系列编解码分割网络在各类医学图像分割上取得了长足的进展，并且部分基于相关模型的应用设计已经广泛用于临床分析中。但医学影像本身的复杂性和差异性也极度影响着分割模型的泛化性和通用性，主要体现在以下几个方面： （1）各类模态的医学影像之间差异大，如研究队列的大小、图像尺寸和维度、分辨率和体素（voxel）强度等。 （2）分割的语义标签的极度不平衡。相较于影像中的正常组织，病变区域一般都只占极少部分，这就造成了正常组织的体素标签与病灶组织的体素标签之间极度的类不平常。 （3）不同影像数据之间的专家标注差异大，并且一些图像的标注结果会存在模棱两可的情况。 （4）一些数据集在图像几何和形状等属性上差异明显，切片不对齐和各向异性的问题也非常严重。 提出一种鲁棒的基于2D UNet和3D UNet的自适应框架nnUMet。作者在各种任务上拿这个框架和目前的STOA方法进行了比较，且该方法不需要手动调参。最终nnUNet得到了最高的平均dice。 作者提出一种nnUNet（no-new-Net）框架，基于原始的UNet（很小的修改），不去采用哪些新的结构，如相残差连接、dense连接、注意力机制等花里胡哨的东西。相反的，把重心放在：预处理（resampling和normalization）、训练（loss，optimizer设置、数据增广）、推理（patch-based策略、test-time-augmentations集成和模型集成等）、后处理（如增强单连通域等）。并且在10种数据集上进行测试，都能够达到很好的效果，而算法不能够针对某种数据集进行人为的调整，只能自动的去适应。
|
|
mmsegmentation |
https://github.com/open-mmlab/mmsegmentation |
mmSegmentati是openmmlab项目下开源的图像语义分割框架，目前支持pytorch，由于其拥有pipeline加速，完善的数据增强体系，完善的模型库，作为大数据语义分割训练及测试的代码框架是再好不过了。 |
|
Efficient-Segmentation-Networks |
https://github.com/xiaoyufenfei/ Efficient-Segmentation-Networks |
该项目旨在为使用 PyTorch 的实时语义分割模型提供易于使用、可修改的参考实现。
|
|
Pytorch Medical Segmentation |
https://github.com/MontaEllis/ Pytorch-Medical-Segmentation |
基于PyTorch的专注于医学图像分割的开源库，其支持模型丰富，方便易用。其可算为torchio的一个实例，作者将其综合起来，包含众多经典算法，实用性比较强。 支持2D和3D医学图像分割，可以修改hparam.py文件来确定是2D分割还是3D分割以及是否可以进行多分类。 支持绝大数主流分割模型，几乎提供了所有的2D和3D分割的算法。 兼容几乎所有的医学数据格式(例如 nii.gz, nii, mhd, nrrd, …)，修改hparam.py的fold_arch即可。 作者提供了训练和测试推断的代码，简单配置后训练和推断都仅需要一行命令。 |