基于python实现的使用Keras 库构建用于超声图像神经分割的深度神经网络程序源码.zip

概述 提供的数据由脚本处理data.py。该脚本只是加载图像并将它们保存到 NumPy 二进制格式文件.npy中，以便以后更快地加载。 预处理 除了将图像调整为 96 x 96 之外，这些图像没有以任何方式进行预处理。由于图像非常嘈杂，我希望一些深思熟虑的预处理可以产生更好的模型性能。 输出图像（蒙版）被缩放到 [0, 1] 间隔。 模型 提供的模型基本上是一个卷积自动编码器，但有一个扭曲 - 它跳过了从编码器层到同一“级别”的解码器层的连接。 这个深度神经网络是用 Keras 函数式 API 实现的，这使得用不同有趣的架构进行实验变得非常容易。 网络的输出是 96 x 96，表示应该学习的掩码。Sigmoid 激活函数确保掩码像素在 [0, 1] 范围内。 训练 该模型训练了 20 个时期，每个时期在 Titan X 上花费约 30 秒。模型的内存占用约为 800MB。 在 20 个 epoch 之后，计算出的 Dice 系数为 ~0.68，这在排行榜上产生了 ~0.57 的分数，所以很明显这个模型过拟合了（交叉验证 pull requests 有人吗？;)）。 训练的损失函数基本上只是Dice 系数的负数（在比赛中 用作评估指标），并且这是使用 Keras 后端作为自定义损失函数实现的 - 检查dice_coef()并dice_coef_loss()了解train.py更多详细信息。另外，为了使损失函数平滑，smooth = 1添加了一个因子factor。 权重由 Adam 优化器以 1e-5 的学习率更新。在训练过程中，模型的权重以 HDF5 格式保存。 如何使用 依赖关系 本教程依赖于以下库： * scikit-image * Tensorflow * Keras >= 2.0 此外，此代码应与 Python 版本 2.7-3.5 兼容。 准备数据 为了提取原始图像并将它们保存为.npy文件，您应该首先准备其结构。确保rawdir 位于该项目的根目录中。另外，目录树raw必须是这样的： -raw | ---- train | | | ---- 1_1.tif | | | ---- … | ---- test | ---- 1.tif | ---- … 现在运行python data.py。 运行此脚本将创建训练和测试图像并将它们保存到.npy文件。 定义模型 签入get_unet()以train.py修改模型、优化器和损失函数。 训练模型并为测试图像生成掩码 运行python train.py以训练模型。 检查train_predict()以修改迭代次数（epochs）、批量大小等。 此脚本完成后， 应生成imgs_mask_test.npy相应图像的掩码。imgs_test.npy我建议您检查这些掩码以进一步了解模型的性能。 生成提交 运行为生成的掩码python submission.py生成提交文件。submission.csv 查看功能submission()和run_length_enc()