unet分割如何取其中一类_深度学习与医学图像处理 案例学习1——Unet肺部分割（CT图像）...

内容引用自https://www.kaggle.com/toregil/a-lung-u-net-in-keras?select=2d_masks.zip

#引入普通包

1 import os2 import numpy asnp3 import pandas as pd 4 import cv2 #后面用于图像放缩(插值)5 import matplotlib.pyplot asplt6 %matplotlib inline7 from sklearn.model_selection import train_test_split #将总数据集分为训练集和测试集

#引入深度学习包

fromkeras.models import Model #keras模型from keras.layers import * #keras层

fromkeras.optimizers import Adam #keras优化算法fromkeras.regularizers import l2 #l2正则化fromkeras.preprocessing.image import ImageDataGenerator #图像增强生成器

import keras.backendasKfrom keras.callbacks import LearningRateScheduler, ModelCheckpoint

#导入图像文件并图像设置为指定大小

IMAGE_LIB = '../input/2d_images/'#图片路径

MASK_LIB= '../input/2d_masks/' #掩模路径IMG_HEIGHT, IMG_WIDTH= 32, 32 #输入网络的图片大小SEED=42 #随机种子

all_images = [x for x in sorted(os.listdir(IMAGE_LIB)) if x[-4:] == '.tif'] #图片名数组(格式tif)

x_data= np.empty((len(all_images), IMG_HEIGHT, IMG_WIDTH), dtype='float32') #图片数据开辟空间for i, name inenumerate(all_images): #导入图片数据

im= cv2.imread(IMAGE_LIB + name, cv2.IMREAD_UNCHANGED).astype("int16").astype('float32') #cv2.IMREAD_UNCHANGED 包括alpha通道

im= cv2.resize(im, dsize=(IMG_WIDTH, IMG_HEIGHT), interpolation=cv2.INTER_LANCZOS4) #cv2. INTER_LANCZOS4，8x8像素邻域Lanczos插值

im= (im - np.min(im)) / (np.max(im) -np.min(im)) #归一化

x_data[i]=im

y_data= np.empty((len(all_images), IMG_HEIGHT, IMG_WIDTH), dtype='float32') #掩模数据开辟空间for i, name inenumerate(all_images): #导入掩模数据

im= cv2.imread(MASK_LIB + name, cv2.IMREAD_UNCHANGED).astype('float32')/255.

im= cv2.resize(im, dsize=(IMG_WIDTH, IMG_HEIGHT), interpolation=cv2.INTER_NEAREST) #cv2.INTER_NEAREST，最近邻域插值

y_data[i]= im

#显示图像及掩模

fig, ax = plt.subplots(1,2, figsize = (8,4)) #1行两列显示图像

ax[0].imshow(x_data[10], cmap='gray') #图像

ax[1].imshow(y_data[10], cmap='gray') #掩模

plt.show()

x_data =x_data[:,:,:,np.newaxis] #喂入神经网络前需新增第四维度

y_data=y_data[:,:,:,np.newaxis]

x_train, x_val, y_train, y_val= train_test_split(x_data, y_data, test_size = 0.5) #按0.5的比例分割训练集和测试集

#定义标准——dice系数

def dice_coef(y_true, y_pred):

y_true_f=K.flatten(y_true) #多维张量一维化

y_pred_f=K.flatten(y_pred)

intersection= K.sum(y_true_f *y_pred_f) #交叉部分1*1=1return (2. * intersection + K.epsilon()) / (K.sum(y_true_f) + K.sum(y_pred_f) + K.epsilon()) #2*(A交B)/(A+B) 当A=B时，该值为1

#模型

input_layer = Input(shape=x_train.shape[1:]) #shape=32,32,1

c1= Conv2D(filters=8, kernel_size=(3,3), activation='relu', padding='same')(input_layer) #shape=32,32,8

l= MaxPool2D(strides=(2,2))(c1) #shape=16,16,8

c2= Conv2D(filters=16, kernel_size=(3,3), activation='relu', padding='same')(l) #shape=16,16,16

l= MaxPool2D(strides=(2,2))(c2) #shape=8,8,16

c3= Conv2D(filters=32, kernel_size=(3,3), activation='relu', padding='same')(l) #shape=8,8,32

l= MaxPool2D(strides=(2,2))(c3) #shape=4,4,32

c4= Conv2D(filters=32, kernel_size=(1,1), activation='relu', padding='same')(l) #shape=4,4,32

l= concatenate([UpSampling2D(size=(2,2))(c4), c3], axis=-1) #UpSampling2D上采样，shape=8,8,64

l= Conv2D(filters=32, kernel_size=(2,2), activation='relu', padding='same')(l) #shape=8,8,32

l= concatenate([UpSampling2D(size=(2,2))(l), c2], axis=-1) #上采样，shape=16,16,48

l= Conv2D(filters=24, kernel_size=(2,2), activation='relu', padding='same')(l) #shape=16,16,24

l= concatenate([UpSampling2D(size=(2,2))(l), c1], axis=-1) #上采样,shape=32,32,32

l= Conv2D(filters=16, kernel_size=(2,2), activation='relu', padding='same')(l) #shape=32,32,16

l= Conv2D(filters=64, kernel_size=(1,1), activation='relu')(l) #shape=32,32,64

l= Dropout(0.5)(l) #shape=32,32,64

output_layer= Conv2D(filters=1, kernel_size=(1,1), activation='sigmoid')(l) #shape=32,32,1

model= Model(input_layer, output_layer)

#模型参数数量

#数据增强器

def my_generator(x_train, y_train, batch_size):

data_generator=ImageDataGenerator(

width_shift_range=0.1,

height_shift_range=0.1,

rotation_range=10,

zoom_range=0.1).flow(x_train, x_train, batch_size, seed=SEED)

mask_generator=ImageDataGenerator(

width_shift_range=0.1,

height_shift_range=0.1,

rotation_range=10,

zoom_range=0.1).flow(y_train, y_train, batch_size, seed=SEED)whileTrue:

x_batch, _=data_generator.next()

y_batch, _=mask_generator.next()yield x_batch, y_batch

#使用相同的随机种子得到增强的图像对应增强的掩模，显示一个小批量增强后的图像及掩模

image_batch, mask_batch = next(my_generator(x_train, y_train, 8))

fix, ax= plt.subplots(8,2, figsize=(8,20))for i in range(8):

ax[i,0].imshow(image_batch[i,:,:,0])

ax[i,1].imshow(mask_batch[i,:,:,0])

plt.show()

#编译模型

model.compile(optimizer=Adam(2e-4), loss='binary_crossentropy', metrics=[dice_coef]) #optimizer优化器，loss损失函数，metrics评价指标

#为模型条件检查点

weight_saver = ModelCheckpoint('lung.h5', monitor='val_dice_coef', save_best_only=True, save_weights_only=True)

#文件名，mnitor监视的值，save_best_only：当设置为True时，将只保存在验证集上性能最好的模型，save_weights_only：若设置为True，只保存模型权重，否则将保存整个模型

#自动调整学习率

annealer = LearningRateScheduler(lambda x: 1e-3 * 0.8 ** x)

#训练

hist = model.fit_generator(my_generator(x_train, y_train, 8),

steps_per_epoch= 200,

validation_data=(x_val, y_val),

epochs=10, verbose=2,

callbacks= [weight_saver, annealer])

#generator：生成器函数

#steps_per_epoch：整数，当生成器返回steps_per_epoch次数据时计一个epoch结束，执行下一个epoch

#epochs：整数，数据迭代的轮数

#verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录

#结果

#评价

#model.load_weights('lung.h5') #使用最佳参数

plt.plot(hist.history['loss'], color='b')

plt.plot(hist.history['val_loss'], color='r')

plt.legend(['train_loss','val_loss'])

plt.show()

plt.plot(hist.history['dice_coef'], color='b')

plt.plot(hist.history['val_dice_coef'], color='r')

plt.legend(['train_dice_coef','val_dice_coef'])

plt.show()

#测试

pre=model.predict(x_train[10].reshape(1,IMG_HEIGHT, IMG_WIDTH, 1))[0,:,:,0]

fig, ax = plt.subplots(1,3, figsize = (12,6))

ax[0].imshow(x_train[10],cmap='gray')

ax[1].imshow(y_train[10],cmap='gray')

ax[2].imshow(pre)

y_hat =model.predict(x_val)

fig, ax= plt.subplots(10,3,figsize=(12,30))

for i in range(10):

ax[i,0].imshow(x_val[i,:,:,0], cmap='gray')

ax[i,1].imshow(y_val[i,:,:,0])

ax[i,2].imshow(y_hat[i,:,:,0])

#讨论

深度学习得到的图像并非二值图像，每个像素点的值都是从0-1之间，实际上再小的数都大于0，因为网络的最后一层是sigmoid函数，dice系数的计算并不是想象中的交比并。

生成真正的预测掩模还需要一个阈值。

倒数第二幅图的分割明显有问题。

为什么测试集的dice系数总好于训练接的dice系数？ 答：测试集的数据未经过增强

#数据分享：链接: https://pan.baidu.com/s/1xXlHwn7Ek4mjJlJ4OFkgaw 提取码: rd5y

欢迎探讨、指教。