U-net、VGGU-net、U-net++ for cardiac-segmentation using Sunnybrook_Cardiac_Data;
这个项目是我今年早些完成的心脏分割任务，一直没有时间整理，索性直接整个放上来了，包括所有的数据和代码，虽然项目很菜，但可以帮助后人节省一些时间。
数据集使用的是 sunnybrook cardiac 数据集，该数据集的部分曾用于2009年心脏分割挑战赛。
我在做这个项目的时候，数据集的官方网站已经不提供当年分割挑战赛的版本了，而原始数据集的结构、命名方式和对应关系较为复杂，难以直接训练，所以我对其进行了清洗和调整，调整后的数据集也一并放上来了。
以下是文件目录树
|-- sunnybrook unet
|-- draw_bar.py //画出分割用时条形图
|-- draw_loss.py //画出loss曲线
|-- get_dice.py //用于计算dice系数
|-- LICENSE
|-- lossfiction.py //损失函数
|-- predict.py //使用模型进行分割
|-- README.md
|-- training.py //训练U-net
|-- training_vgg.py //训练VGGU-net,需自行下载vgg16_bn.pth预训练模型，或者不使用其预训练模型
|-- dataset //划分好的数据集
|-- models //网络模型
|-- utils //数据集工具
|-- result* //result开头的文件夹存放的是对应模型的分割结果、训练过程和评估
//其中末尾的i和o分别对应内膜分割模型和外膜分割模型
-
本仓库使用Sunnybrook Cardiac MRI数据集进行实验，对数据集进行了可视化，并依据数据集提供的左心室内外膜坐标文本文件，提取和制作了相应了标签图像。同时，为了增大数据量，增强数据多样性，对数据集进行了拉伸、缩放、翻转、明暗变换等增强。
-
搭建了U-net、VGGU-net、U-net++等神经网络模型。关于U-net，相较于原版的U-net，本仓库的U-net加入了批量归一化层来加快训练速度，降低协方差偏移对网络学习造成的影响。网络中的上采样模块基于双线性插值的方法实现，避免了使用转置卷积方法时会产生的棋盘格现象。关于VGGU-net，基于迁移学习的思想，使用了VGG16_BN网络作为U-net的主干特征提取网络，并引入预训练权重，降低学习过程对数据量的需求，加快训练速率。关于U-net++，保持原版的结构，在是具体实现方法上和本仓库的U-net一致（比如，上采样都是双线性插值）
-
使用Sunnybrook Cardiac MRI数据集分别对U-net、VGGU-net、U-net++等神经网络模型进行训练，在验证集和测试集上对比分析模型的分割效果，其中VGGU-net采用了冻结、解冻训练的策略。最终在左心室内膜分割任务的验证集上U-net、VGGU-net、U-net++分别取得了0.8926、0.8926、0.8907的Dice系数，在测试集分别取得了0.8917、0.8894、0.8930的Dice系数；在左心室外膜分割任务的验证集上U-net、VGGU-net、U-net++分别取得了的0.8917、0.8894、0.8930的Dice系数，在测试集分别取得了0.9116、0.9063、0.9221的Dice系数。从Dice系数上看，分割效果由好到坏依次为U-net++、U-net、VGGU-net。从个别难分割的图像分割结果上看，U-net的瑕疵最多，VGGU-net次之，U-net++最少，但都存在有各自的缺点。