pytorch-3dunet

项目介绍：pytorch-3dunet

pytorch-3dunet 是一个基于 PyTorch 的项目，专注于 3D U-Net 和其变体的实现。该项目为图像分割和回归任务提供了强大的工具支持，特别适用于医疗图像处理和生物学研究领域。

项目背景

3D U-Net 是一种扩展的卷积神经网络，特别适合处理三维图像数据。它最初设计为从稀疏的标注中学习密集的体积分割。pytorch-3dunet 提供了不同的 3D U-Net 实现，包括标准 3D U-Net、残差 3D U-Net，以及加入了“Squeeze and Excitation”模块的变体。

功能特色

1. 支持的模型类型

   • UNet3D：传统的标准 3D U-Net。
   • ResidualUNet3D：基于残差网络的 3D U-Net。
   • ResidualUNetSE3D：增强了“Squeeze and Excitation”功能的 3D U-Net。

2. 训练任务

   • 支持语义分割（包括二分类和多分类）。
   • 支持回归问题，如去噪和去卷积学习。

3. 2D U-Net 支持

   • 2D U-Net 也是支持的，优化了性能以适应二维卷积层。

数据格式

输入数据应存储在 HDF5 文件中，通常包括 raw 和 label 两个数据集，用于存储输入数据和相应的真值标注。如果使用像素级交叉熵损失，还可以选择性提供 weight 数据集。

数据格式需根据是否为2D或3D，以及通道数来进行设置，确保兼容性。

安装

pytorch-3dunet 可以通过以下方式进行安装：

1. 通过 conda/mamba 安装

   • 快速安装并调用 train3dunet 和 predict3dunet 命令。

2. 从源代码安装

   • 通过运行 python setup.py install 命令即可安装。

使用指南

训练模型

通过指定配置文件，可以灵活地训练模型。用户需要提供训练数据和验证数据的路径。训练过程中可以通过 Tensorboard 监控进度。

预测

安装后，用户可以使用现有模型对新数据进行预测，只需提供模型路径和测试数据路径。可以通过配置来改善大数据集的预测效率。

多 GPU 支持

项目默认利用所有可用的 GPU 进行数据并行计算，从而优化计算效率。用户可以通过环境变量限制使用的 GPU 数量。

支持的损失函数

项目提供多种损失函数来支持不同的任务需求，包括：

• 对于语义分割：如二值交叉熵、Dice 损失等。
• 对于回归：如均方误差损失、L1损失等。

支持的评估指标

提供了详细的评价指标配置，用于语义分割（如 MeanIoU 和 Dice 系数）和回归（如 PSNR 和 MSE）。

示例项目

项目中提供了不同场景下的实际应用示例，包括对不同植物器官的边界和核的预测任务，并公开了预训练模型供使用和微调。

贡献与引用

如果用户想为本项目贡献，可以通过提供 Pull Request 的方式参与。同时，如果在研究中使用了此代码，请根据提供的格式进行引用。

pytorch-3dunet 项目通过其丰富的功能和易用性，成为了图像分割研究的重要工具，尤其在高分辨率医学体积图像的深度学习语义分割领域大放异彩。