Attention-Mechanism-Residual-UNet

簡介

程式練習...

訓練一個結合注意力機制和殘差塊的UNet，用來分割靜脈影像。

參考資料如下:

1. UNet 部分參考: U-Net: Convolutional Networks for Biomedical Image Segmentation

2. 變異 UNet 部分參考: https://github.com/zhixuhao/unet

注意力機制和殘差塊則是參考兩篇arXiv提出的模塊加入上述變異的 UNet 中。

3. 注意力機制: Attention U-Net: Learning Where to Look for the Pancreas

4. 殘差塊: Road Extraction by Deep Residual U-Net

---

靜脈資料集

靜脈資料集來自https://github.com/wilchesf/dorsalhandveins。可以在 data/membrane 資料夾中看到幾張原圖與自製標籤。

資料集一共有1782張手背靜脈影像(自行提取感興趣區域) 拆成 7:2:1 用於 訓練:驗證:測試

分別將圖像跟對應的標籤放在下述資料夾。(image_size = 256 x 256)

訓練 data/membrane/train/image data/membrane/train/label

驗證 data/membrane/val/val_imagee data/membrane/val/val_label

測試 data/membrane/test

---

訓練標籤製作

1. 自動伽瑪校正

2. CLAHE(clipLimit=2.0, tileGridSize=(4, 4))

3. 低通高斯濾波器去噪

4. 高通拉普拉斯濾波器

5. 反轉二值化 + Otsu決定閾值

原圖與標籤

---

模型架構

主架構：

殘差塊：

注意力機制：

---

訓練結果

Epoch 100: loss improved from 0.01768 to 0.01759, saving model to best_model.hdf5 78/78 [==============================] - 21s 266ms/step - loss: 0.0176 - iou_coefficient: 0.9654 - dice_coefficient: 0.9824 - accuracy: 0.9711 - val_loss: 0.0187 - val_iou_coefficient: 0.9632 - val_dice_coefficient: 0.9813 - val_accuracy: 0.9693

用訓練好的模型預測測試集的圖片

---

使用方法

下載後直接執行 main.ipynb

---

Requirements

python==3.9.2

tensorflow(Keras)==2.10.0

opencv-python==4.5.3.56

scikit-image==0.19.3

numpy==1.26.4

matplotlib==3.8.0

OS：windows10

GPU：RTX3060 12G

CUDA 11.2

cuDNN 8.1.1