UNet-model-for-Segmentation:一种使用U-Net模型分割图像的转移学习方法

在预先训练的模型上使用转移学习方法对医学数据进行细分的U-Net模型。 该存储库包含使用Keras的U-Net架构的实现，并在其背后支持Tensorflow，以使用“转移学习”方法对任何类型的医学数据进行细分。 神经网络结构是从描述的U-Net架构派生而来的。 转移学习方法用于通过使用较少数量的样本来微调预先训练的U-Net模型，因为注释医学数据通常是一项繁琐的工作。 在预训练期间以及对预训练模型进行微调时，将应用以下预处理： 灰度转换 标准化 对比度限制的自适应直方图均衡化（CLAHE） 伽玛调整 对预处理的完整图像的子图像（补丁）执行神经网络的训练。 尺寸为48x48的每个色块是通过在整个图像内随机选择其中心而获得的。 同样，选择部分或完全不在视场（FOV）之外的色块，通过这种方式，神经网络将学习如何从分割区域中区分出FOV边界。 一组1,90,000个补丁可用于获取预训练的