文章目录一、UNet网络模型1.Encoder2.Decoder二、UNet和传统CNN的区别1.传统CNN是对图像进行分类，输出的结果是整个图像的类标签；UNet是像素级分类，输出的结果是每个像素点的类被，且不同类别的像素会显示不同的颜色。2.传统CNN是通过卷积层和池化层提取图像特征，经反向传播确定最终参数，并得到最终的特征；而UNet的特征提取步骤较为复杂，分为Encoder和Decoder。3.输入输出大小：传统CNN以VGG为例，输入大小为3\*224\*224，输出大小为1\*1\*num_class；UNet的输入大小为1\*572\*572，输出大小为2\*388\*388.一
目录一.语义分割二.数据集三.数据增强图像数据处理步骤CT图像增强方法：windowing方法直方图均衡化获取掩膜图像深度在肿瘤CT图中提取肿瘤保存肿瘤数据 四.数据加载数据批处理编辑编辑数据集加载 五.UNet神经网络模型搭建 单张图片预测图一.语义分割第三代图像分割：语义分割 图像分割（ImageSegmentation)是计算机视觉领域中的一项重要基础技术。图像分割是将数字图像细分为多个图像子区域的过程，通过简化或改变图像的表示形式，让图像能够更加容易被理解。更简单地说，图像分割就是为数字图像中的每一个像素附加标签，使得具有相同标签的像素具有某种共同的视觉特性
目录1.介绍2.搭建UNet网络3.dataset数据加载4.train训练网络5.predict分割图像6.show7.完整代码1.介绍项目的目录如下所示DRIVE存放的是数据集predict是待分割的图像result里面放分割predict的结果dataset是处理数据的文件、model存放unet网络、predict是预测、train是网络的训练、UNet.pth是训练好的权重文件 之前做了一个图像分割的例子，里面大部分的代码和本篇的内容重合，所以每个脚本的代码只会做简单的介绍。具体的可以参考之前的内容，这里给出链接：model： UNet-unet网络dataset：UNet-数据加
目录1.介绍2.搭建UNet网络3.dataset数据加载4.train训练网络5.predict分割图像6.show7.完整代码1.介绍项目的目录如下所示DRIVE存放的是数据集predict是待分割的图像result里面放分割predict的结果dataset是处理数据的文件、model存放unet网络、predict是预测、train是网络的训练、UNet.pth是训练好的权重文件 之前做了一个图像分割的例子，里面大部分的代码和本篇的内容重合，所以每个脚本的代码只会做简单的介绍。具体的可以参考之前的内容，这里给出链接：model： UNet-unet网络dataset：UNet-数据加
什么是unet一个U型网络结构，2015年在图像分割领域大放异彩，unet被大量应用在分割领域。它是在FCN的基础上构建，它的U型结构解决了FCN无法上下文的信息和位置信息的弊端Unet网络结构主干结构解析左边为特征提取网络（编码器），右边为特征融合网络（解码器）高分辨率—编码—低分辨率—解码—高分辨率特征提取网络高分辨率—编码—低分辨率前半部分是编码,它的作用是特征提取(获取局部特征,并做图片级分类)，得到抽象语义特征由两个3x3的卷积层（RELU）再加上一个2x2的maxpooling层组成一个下采样的模块，一共经过4次这样的操作特征融合网络低分辨率—解码—高分辨率利用前面编码的抽象特征来
什么是unet一个U型网络结构，2015年在图像分割领域大放异彩，unet被大量应用在分割领域。它是在FCN的基础上构建，它的U型结构解决了FCN无法上下文的信息和位置信息的弊端Unet网络结构主干结构解析左边为特征提取网络（编码器），右边为特征融合网络（解码器）高分辨率—编码—低分辨率—解码—高分辨率特征提取网络高分辨率—编码—低分辨率前半部分是编码,它的作用是特征提取(获取局部特征,并做图片级分类)，得到抽象语义特征由两个3x3的卷积层（RELU）再加上一个2x2的maxpooling层组成一个下采样的模块，一共经过4次这样的操作特征融合网络低分辨率—解码—高分辨率利用前面编码的抽象特征来
目录1.u-net介绍2.u-net网络结构3.u-net网络搭建3.1DoubleConv3.2Down下采样3.3Up上采样3.4网络输出3.5UNet网络UNet网络forward 前向传播3.6网络的参数4.完整代码1.u-net介绍Unet网络是医学图像分割领域常用的分割网络，因为网络的结构很像个U，所以称为UnetUnet网络是针对像素点的分类，之前介绍的LeNet、ResNet等等都是图像分类，最后分的是整幅图像的类别，而Unet是对像素点输出的是前景还是背景的分类注：因为Unet具体的网络框架均有所不同，例如有的连续卷积后会改变图像的size，有的上采样用的是线性插值的方法。这
目录1.u-net介绍2.u-net网络结构3.u-net网络搭建3.1DoubleConv3.2Down下采样3.3Up上采样3.4网络输出3.5UNet网络UNet网络forward 前向传播3.6网络的参数4.完整代码1.u-net介绍Unet网络是医学图像分割领域常用的分割网络，因为网络的结构很像个U，所以称为UnetUnet网络是针对像素点的分类，之前介绍的LeNet、ResNet等等都是图像分类，最后分的是整幅图像的类别，而Unet是对像素点输出的是前景还是背景的分类注：因为Unet具体的网络框架均有所不同，例如有的连续卷积后会改变图像的size，有的上采样用的是线性插值的方法。这
以下内容均为个人理解，如有错误，欢迎指正。UNet-3D论文链接：地址网络结构UNet-3D和UNet-2D的基本结构是差不多的，分成小模块来看，也是有连续两次卷积，下采样，上采样，特征融合以及最后一次卷积。UNet-2D可参考：VGG16+UNet个人理解及代码实现（Pytorch）不同的是，UNet-3D的卷积是三维的卷积。关于2D卷积和3D卷积的区别可参见这篇文章：链接需要注意的是，UNet-3D的连续两次卷积操作中，第一次卷积和第二次卷积的输出通道数是不同的（UNet-2D的连续两次卷积操作的输出通道数是相同的）。单从图示的网络结构来看，UNet-3D的网络深度为4，2D的网络深度为5
以下内容均为个人理解，如有错误，欢迎指正。UNet-3D论文链接：地址网络结构UNet-3D和UNet-2D的基本结构是差不多的，分成小模块来看，也是有连续两次卷积，下采样，上采样，特征融合以及最后一次卷积。UNet-2D可参考：VGG16+UNet个人理解及代码实现（Pytorch）不同的是，UNet-3D的卷积是三维的卷积。关于2D卷积和3D卷积的区别可参见这篇文章：链接需要注意的是，UNet-3D的连续两次卷积操作中，第一次卷积和第二次卷积的输出通道数是不同的（UNet-2D的连续两次卷积操作的输出通道数是相同的）。单从图示的网络结构来看，UNet-3D的网络深度为4，2D的网络深度为5
