深度u

【深度学习】【U-net】医学图像（⾎管）分割实验记录

医学图像分割实验记录

本项⽬仅⽤于⼤创实验，使⽤pytorch编程，参考价值有限

U-net介绍

这⾥先⾏挖个坑，以后专门写⼀篇⾃⼰总结的资源吧。

数据集

使⽤hx医院提供的脑CT图像，原图像为医学图像数据（数据范围较⼤）。使⽤软件⾃⾏标注后得到的标记数据做标签。

切⽚显⽰⼤致长这样：

TODO:由于本⼈认为⾎管分割要参考每张图⽚上下⼏张空间序列上相邻切⽚的数据，因此想着直接把这些’相邻数据’作为每张图像的其

他‘channel’。且令总的channel为奇数。输⼊数据维度可能为，意味着，，

。

实验记录

实验1

Epoch：15traindata：800testdata：200LearningRate：0.05ImgSize：(128,128)BatchSize：1Channel：5

模型结构：

ITK−SNAP

eg.(1,5,128,128)batchsize=1channel=5

imagesize=(128,128)

Unet(

(conv1):DoubleConv(

(conv):Sequential(

(0):Conv2d(5,64,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(1):BatchNorm2d(64,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(2):ReLU(inplace=True)

(3):Conv2d(64,64,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(4):BatchNorm2d(64,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(5):ReLU(inplace=True)

)

)

(pool1):MaxPool2d(kernel_size=2,stride=2,padding=0,dilation=1,ceil_mode=Fal)

(conv2):DoubleConv(

(conv):Sequential(

(0):Conv2d(64,128,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(1):BatchNorm2d(128,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(2):ReLU(inplace=True)

(3):Conv2d(128,128,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(4):BatchNorm2d(128,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(5):ReLU(inplace=True)

)

)

(pool2):MaxPool2d(kernel_size=2,stride=2,padding=0,dilation=1,ceil_mode=Fal)

(conv3):DoubleConv(

(conv):Sequential(

(0):Conv2d(128,256,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(1):BatchNorm2d(256,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(2):ReLU(inplace=True)

(3):Conv2d(256,256,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(4):BatchNorm2d(256,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(5):ReLU(inplace=True)

)

)

(pool3):MaxPool2d(kernel_size=2,stride=2,padding=0,dilation=1,ceil_mode=Fal)

(up8):ConvTranspo2d(256,128,kernel_size=(2,2),stride=(2,2))

(conv8):DoubleConv(

(conv):Sequential(

(0):Conv2d(256,128,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(1):BatchNorm2d(128,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(2):ReLU(inplace=True)

(3):Conv2d(128,128,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(4):BatchNorm2d(128,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(5):ReLU(inplace=True)

)

)

(up9):ConvTranspo2d(128,64,kernel_size=(2,2),stride=(2,2))

(conv9):DoubleConv(

(conv):Sequential(

(0):Conv2d(128,64,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(1):BatchNorm2d(64,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(2):ReLU(inplace=True)

(3):Conv2d(64,64,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(4):BatchNorm2d(64,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(5):ReLU(inplace=True)

)

)

(conv10):Conv2d(64,1,kernel_size=(1,1),stride=(1,1))

)

实验结果：忘记了orz

实验参数保存为net040801_

实验2(fail)

相⽐于实验1只改变了imagesize。

Epoch：15traindata：800testdata：200LearningRate：0.05ImgSize：(256，256)BatchSize：1Channel：5

模型结构同实验1

loss:0.693154

误差维持不变，模型没有收敛。

实验3(fail)

相⽐于实验2改变了learningrate，从0.05变为0.005。

Epoch：15traindata：800testdata：200LearningRate：0.005ImgSize：(256，256)BatchSize：1Channel：5

模型结构同实验1

训练集误差变化曲线测试集误差变化曲线

实验4(fail)

相⽐于实验3改变了imagesize，从(256,256)改回(128,128)。

Epoch：15traindata：800testdata：200LearningRate：0.005ImgSize：(128,128)BatchSize：1Channel：5

模型结构同实验1

训练集误差变化曲线测试集误差变化曲线

最后误差维持在

loss:0.693146

实验5(fail)

相⽐于实验4改变了learningrate，从0.005改为0.0005。

Epoch：20+traindata：800testdata：200LearningRate：0.0005ImgSize：(128,128)BatchSize：1Channel：5

模型结构同实验1

训练集误差变化曲线测试集误差变化曲线

最后误差维持在

loss:0.693146

好吧这个数和实验4⼀样

实验6(fail)

相⽐于实验5改变了⽹络结构加了⼀层深度。

Epoch：20+traindata：800testdata：200LearningRate：0.0005ImgSize：(128,128)BatchSize：1Channel：5

模型结构为

Unet(

(conv1):DoubleConv(

(conv):Sequential(

(0):Conv2d(5,64,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(1):BatchNorm2d(64,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(2):ReLU(inplace=True)

(3):Conv2d(64,64,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(4):BatchNorm2d(64,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(5):ReLU(inplace=True)

(5):ReLU(inplace=True)

)

)

(pool1):MaxPool2d(kernel_size=2,stride=2,padding=0,dilation=1,ceil_mode=Fal)

(conv2):DoubleConv(

(conv):Sequential(

(0):Conv2d(64,128,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(1):BatchNorm2d(128,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(2):ReLU(inplace=True)

(3):Conv2d(128,128,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(4):BatchNorm2d(128,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(5):ReLU(inplace=True)

)

)

(pool2):MaxPool2d(kernel_size=2,stride=2,padding=0,dilation=1,ceil_mode=Fal)

(conv3):DoubleConv(

(conv):Sequential(

(0):Conv2d(128,256,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(1):BatchNorm2d(256,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(2):ReLU(inplace=True)

(3):Conv2d(256,256,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(4):BatchNorm2d(256,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(5):ReLU(inplace=True)

)

)

(pool3):MaxPool2d(kernel_size=2,stride=2,padding=0,dilation=1,ceil_mode=Fal)

(conv4):DoubleConv(

(conv):Sequential(

(0):Conv2d(256,512,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(1):BatchNorm2d(512,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(2):ReLU(inplace=True)

(3):Conv2d(512,512,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(4):BatchNorm2d(512,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(5):ReLU(inplace=True)

)

)

(pool4):MaxPool2d(kernel_size=2,stride=2,padding=0,dilation=1,ceil_mode=Fal)

(up7):ConvTranspo2d(512,256,kernel_size=(2,2),stride=(2,2))

(conv7):DoubleConv(

(conv):Sequential(

(0):Conv2d(512,256,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(1):BatchNorm2d(256,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(2):ReLU(inplace=True)

(3):Conv2d(256,256,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(4):BatchNorm2d(256,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(5):ReLU(inplace=True)

)

)

(up8):ConvTranspo2d(256,128,kernel_size=(2,2),stride=(2,2))

(conv8):DoubleConv(

(conv):Sequential(

(0):Conv2d(256,128,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(1):BatchNorm2d(128,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(2):ReLU(inplace=True)

(3):Conv2d(128,128,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(4):BatchNorm2d(128,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(5):ReLU(inplace=True)

)

)

(up9):ConvTranspo2d(128,64,kernel_size=(2,2),stride=(2,2))

(conv9):DoubleConv(

(conv):Sequential(

(0):Conv2d(128,64,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(1):BatchNorm2d(64,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(2):ReLU(inplace=True)

(3):Conv2d(64,64,kernel_size=(3,3),stride=(1,1),padding=(1,1))

(4):BatchNorm2d(64,eps=1e-05,momentum=0.1,affine=True,track_running_stats=True)

(5):ReLU(inplace=True)

)

)

(conv10):Conv2d(64,1,kernel_size=(1,1),stride=(1,1))

)

训练集误差变化曲线测试集误差变化曲线

最后误差维持在

loss:0.693156