1.数据集

下载链接:需要在：EchoNet Dynamic 进行申请，源码也是由斯坦福公布的

数据集为心脏跳动的视频，我们可以根据视频中的图像，对每一帧的图像进行图像分割，根据心脏跳动时心房或者心室面积的变化，协助诊断。

2.分割任务流程解读

整段代码比较简单，模型都是使用的pytorch提供的模型，这篇研究的价值在于探究了深度学习应用的领域，提出了一个数据集

echonet/utils/segmentation.py

配置参数解读

Args:num_epochs (int, optional): Number of epochs during trainingDefaults to 50.迭代次数modelname (str, optional): Name of segmentation model. One of ``deeplabv3_resnet50'',  ``deeplabv3_resnet101'', ``fcn_resnet50'', or ``fcn_resnet101'' 模型名称，主要为pytorch内置模型pretrained (bool, optional): Whether to use pretrained weights for modelDefaults to False.加载预训练权重output (str or None, optional): 输出文件位置device (str or None, optional): 设备（CPU/GPU））n_train_patients (str or None, optional): 提前停止策略num_workers (int, optional): 线程数batch_size (int, optional): 一个批次的大小seed (int, optional):随机种子lr_step_period (int or None, optional): 学习率衰减save_segmentation (bool, optional): 保存分割结果block_size (int, optional): 视频太长的话，需不需要考虑分块保存run_test (bool, optional): 进行测试

任务流程：

选择随机种子、输出文件保存位置、以及设备（CPU/GPU）
模型：从pytorch中加载模型，其中输出层需要进行修改，输出需要改为1，即即心房/非心房，以预测概率值
选择优化器，求出图像的均值和标准差，以方便对图像进行归一化处理
读取数据，读取视频数据，同时标签文件是包含视频名称/帧、多边形mask、数据集划分等组成，需要生成mask。

然后开始训练，并统计相关指标

def run_epoch(model, dataloader, train, optim, device):"""Run one epoch of training/evaluation for segmentation.Args:model (torch.nn.Module): Model to train/evaulate.dataloder (torch.utils.data.DataLoader): Dataloader for dataset.train (bool): Whether or not to train model.optim (torch.optim.Optimizer): Optimizerdevice (torch.device): Device to run on"""total = 0.n = 0pos = 0neg = 0pos_pix = 0neg_pix = 0model.train(train)large_inter = 0large_union = 0small_inter = 0small_union = 0large_inter_list = []large_union_list = []small_inter_list = []small_union_list = []with torch.set_grad_enabled(train):with tqdm.tqdm(total=len(dataloader)) as pbar:for (_, (large_frame, small_frame, large_trace, small_trace)) in dataloader:# Count number of pixels in/out of human segmentationpos += (large_trace == 1).sum().item()pos += (small_trace == 1).sum().item()neg += (large_trace == 0).sum().item()neg += (small_trace == 0).sum().item()# Count number of pixels in/out of computer segmentationpos_pix += (large_trace == 1).sum(0).to("cpu").detach().numpy()pos_pix += (small_trace == 1).sum(0).to("cpu").detach().numpy()neg_pix += (large_trace == 0).sum(0).to("cpu").detach().numpy()neg_pix += (small_trace == 0).sum(0).to("cpu").detach().numpy()# Run prediction for diastolic frames and compute losslarge_frame = large_frame.to(device)large_trace = large_trace.to(device)y_large = model(large_frame)["out"]loss_large = torch.nn.functional.binary_cross_entropy_with_logits(y_large[:, 0, :, :], large_trace, reduction="sum")# Compute pixel intersection and union between human and computer segmentationslarge_inter += np.logical_and(y_large[:, 0, :, :].detach().cpu().numpy() > 0., large_trace[:, :, :].detach().cpu().numpy() > 0.).sum()large_union += np.logical_or(y_large[:, 0, :, :].detach().cpu().numpy() > 0., large_trace[:, :, :].detach().cpu().numpy() > 0.).sum()large_inter_list.extend(np.logical_and(y_large[:, 0, :, :].detach().cpu().numpy() > 0., large_trace[:, :, :].detach().cpu().numpy() > 0.).sum((1, 2)))large_union_list.extend(np.logical_or(y_large[:, 0, :, :].detach().cpu().numpy() > 0., large_trace[:, :, :].detach().cpu().numpy() > 0.).sum((1, 2)))# Run prediction for systolic frames and compute losssmall_frame = small_frame.to(device)small_trace = small_trace.to(device)y_small = model(small_frame)["out"]loss_small = torch.nn.functional.binary_cross_entropy_with_logits(y_small[:, 0, :, :], small_trace, reduction="sum")# Compute pixel intersection and union between human and computer segmentationssmall_inter += np.logical_and(y_small[:, 0, :, :].detach().cpu().numpy() > 0., small_trace[:, :, :].detach().cpu().numpy() > 0.).sum()small_union += np.logical_or(y_small[:, 0, :, :].detach().cpu().numpy() > 0., small_trace[:, :, :].detach().cpu().numpy() > 0.).sum()small_inter_list.extend(np.logical_and(y_small[:, 0, :, :].detach().cpu().numpy() > 0., small_trace[:, :, :].detach().cpu().numpy() > 0.).sum((1, 2)))small_union_list.extend(np.logical_or(y_small[:, 0, :, :].detach().cpu().numpy() > 0., small_trace[:, :, :].detach().cpu().numpy() > 0.).sum((1, 2)))# Take gradient step if trainingloss = (loss_large + loss_small) / 2if train:optim.zero_grad()loss.backward()optim.step()# Accumulate losses and compute baselinestotal += loss.item()n += large_trace.size(0)p = pos / (pos + neg)p_pix = (pos_pix + 1) / (pos_pix + neg_pix + 2)# Show info on process barpbar.set_postfix_str("{:.4f} ({:.4f}) / {:.4f} {:.4f}, {:.4f}, {:.4f}".format(total / n / 112 / 112, loss.item() / large_trace.size(0) / 112 / 112, -p * math.log(p) - (1 - p) * math.log(1 - p), (-p_pix * np.log(p_pix) - (1 - p_pix) * np.log(1 - p_pix)).mean(), 2 * large_inter / (large_union + large_inter), 2 * small_inter / (small_union + small_inter)))pbar.update()large_inter_list = np.array(large_inter_list)large_union_list = np.array(large_union_list)small_inter_list = np.array(small_inter_list)small_union_list = np.array(small_union_list)return (total / n / 112 / 112,large_inter_list,large_union_list,small_inter_list,small_union_list,)

医学心脏数据集分割建模实战相关推荐

深度学习实战39-U-Net模型在医学影像识别分割上的应用技巧，以细胞核分割任务为例
大家好,我是微学AI,今天给大家介绍一下深度学习实战39-U-Net模型在医学影像识别分割上的应用技巧,以细胞核分割任务为例.本文将介绍在医学影像分割领域中应用U-Net模型的方法.我们将从U-Net ...
上海交大发布 MedMNIST 医学图像分析数据集新基准
来源 | HyperAI超神经责编 | 晋兆雨头图 | 付费下载于视觉中国内容概要:医学图像分析是一个非常复杂的跨学科领域,近日上海交通大学发布了 MedMNIST 数据集,有望促进医学图像分析 ...
【深度学习】上海交大发布 MedMNIST 医学图像分析数据集新基准
By 超神经内容概要:医学图像分析是一个非常复杂的跨学科领域,近日上海交通大学发布了 MedMNIST 数据集,有望促进医学图像分析的发展. 关键词:医学图像分析公开数据集令人头秃的医学图 ...
图像处理基本库的学习笔记5--公共数据集，PASCAL VOC数据集，NYUD V2数据集的简介与提取，COCO2017，医学影像数据集汇总
目录公共数据集计算机视觉标准数据集整理-PASCAL VOC数据集数据集文件结构 Annotation JPEGImages SegmentationClass SegmentationObje ...
《Python金融大数据风控建模实战》第6章变量分箱方法
<Python金融大数据风控建模实战> 第6章变量分箱方法本章引言 Python代码实现及注释本章引言变量分箱是一种特征工程方法,意在增强变量的可解释性与预测能力.变量分箱方法主要 ...
brats数据集以及其他的医学影像数据集
脑肿瘤分割(BraTS)挑战集中于评估在多参数磁共振成像(mpMRI)扫描中分割脑肿瘤的最新方法.自成立以来,它的主要作用有两个方面:a)公开可用的数据集和b)公共基准.BraTS利用多机构术前mpM ...
【语义分割项目实战】Augmentor数据增强与U-Net的综合应用
之前已经介绍过了数据增强工具Augmentor的使用 [语义分割项目实战]基于Augmentor工具的语义分割中常见几种数据增强方式(一)_Bill-QAQ-的博客-CSDN博客以及简单的复现U-N ...
100+医学影像数据集集锦
医学影像数据集集锦前言本项目的目标是整理一个医学影像方向数据集的列表,提供每个数据集的基本信息,并对其中License允许的提供不限速下载.项目按照数据集关注的器官对其进行分类.需要整理的数据集很 ...
白话Elasticsearch60-数据建模实战_Join datatype 父子关系数据建模
文章目录概述官网示例概述继续跟中华石杉老师学习ES,第60篇课程地址: https://www.roncoo.com/view/55 白话Elasticsearch58-数据建模实战_基于 ...

医学心脏数据集分割建模实战

1.数据集

2.分割任务流程解读

echonet/utils/segmentation.py

医学心脏数据集分割建模实战相关推荐

最新文章

热门文章