u-net

超声波神经分割：使用 TensorFlow 的 U-Net 项目介绍

项目概述

本项目旨在为 Kaggle 超声波神经分割比赛提供一个深度学习教程，主要使用 Keras 库来搭建深度神经网络，用于超声波图像的神经分割。这种神经网络在测试图像上的得分约为 0.57，是进一步优化的良好基础。网络架构受到 U-Net 的启发，该网络是一种专门用于生物医学图像分割的卷积神经网络。

数据处理

比赛提供的数据通过 data.py 脚本进行处理。该脚本的功能是加载图像并将其保存为 NumPy 的二进制格式文件，以便后续更快地加载。图像经过缩放处理至 64x80 的大小，但并未做其他预处理。输出图像（掩码）的像素值被缩放至 [0, 1] 范围内。

模型结构

该项目提供的模型基本上是一个卷积自编码器，具有从编码器层到相同级别解码器层的跳跃连接。这种设计使得模型能够更有效地捕捉图像的细节。网络的输出是一张大小为 64x80 的图像，代表需学习的掩码，并通过 Sigmoid 激活函数确保掩码像素值在 [0, 1] 范围内。

模型训练

模型训练运行 20 个周期，每个周期约需 30 秒（在 Titan X 上），占用大约 800MB 的内存空间。经过 20 个训练周期后，计算出的 Dice 系数约为 0.68，对应的排行榜得分约为 0.57。这表明模型存在过拟合现象。

训练损失函数基本上是 Dice 系数的负数，并使用 Keras 的后端实现自定义损失函数。为了平滑损失，添加了一个 smooth = 1 的因子。使用 Adam 优化器来更新权重，学习率为 1e-5。在训练过程中，模型权重保存在 HDF5 格式文件中。

项目使用指南

依赖

该项目依赖以下库：

cv2 (OpenCV)
Theano 和/或 TensorFlow
Keras >= 1.0

代码兼容 Python 2.7-3.5 版本。

准备数据

为了提取原始图像并保存为 .npy 文件，首先需要准备其结构。确保项目根目录下有 raw 目录，且目录结构如下：

-raw
 |
 ---- train
 |    |
 |    ---- 1_1.tif
 |    |
 |    ---- …
 |
 ---- test
      |
      ---- 1.tif
      |
      ---- …

然后运行 python data.py。该脚本将创建训练和测试图像并保存为 .npy 文件。

定义模型

参考 train.py 中的 get_unet() 可对模型、优化器和损失函数进行修改。

训练模型并生成测试图像掩码

运行 python train.py 开始训练模型。可以在 train_predict() 中修改训练周期数、批量大小等参数。训练完成后，imgs_mask_test.npy 中应该生成与 imgs_test.npy 对应的掩码。建议检查这些掩码以进一步了解模型性能。

生成提交文件

运行 python submission.py 生成 submission.csv 文件用于提交。可查看 submission() 和 run_length_enc() 函数以获取更多细节。

关于 Keras

Keras 是一个简约且高度模块化的神经网络库，用 Python 编写，能够在 TensorFlow 或 Theano 上运行。其开发的重点是支持快速实验，使研究人员能够从想法到结果尽可能快地迭代。Keras 适用于需要一个简单且快速原型化的深度学习库，同时支持卷积网络和循环网络，以及不同的连接结构，也能在 CPU 和 GPU 上无缝运行。兼容 Python 2.7-3.5 版本。