UNet是一种基于深度学习的图像语义分割方法，尤其在医学图像分割中表现优异

由于数据集是下载的，所以没有自己标注，这里简单说明一下，如何自己制作自己的数据集和标签

一、制作数据集

标注工具：labelme.exe

标注完成保存后的格式为: json

1.2 json转Unet标签

使用脚本json2mask.py 设置原图保存路径, 标签(mask)保存路径，以及图片和json的共同目录（图片和json放在同一目录下）

1.3 查看转换的标签是否正确

使用 pltshowmask.py脚本，修改标签路径。用鼠标在图片对应位置滑动，右下角显示 label的值为[1.000] , 说明这个图片不是全黑，是有label值的

关于标签的碎碎念

• 标签即mask为单通道
• 标签的类别像素值从1开始，依次为2、3…， 例如你要做一个二分类的任务，那么标签中背景的像素值为0，标签中具体类别的像素值为1；如果要做三分类的任务，那么标签中背景的像素值为0，标签中具体类别一的像素值为1，标签中具体类别二的像素值为2，以此类推…
• 原图和其标签的尺寸要一致，并且图片名称也一致。

1.4 划分训练集和验证集

使用dataSplit.py，设置原图所在路径, 标签mask所在路径，则会按9:1 比例划分训练集和验证集，修改 p 值可以换成其他比例划分

得到的train.txt和val.txt 的分隔符为空格，可以修改脚本为其他分隔符。格式为：

原图路径 标签路径

二、开始实验

2.1 数据集介绍

实验数据集为下载的公开数据集。训练集188张，验证集27张，均带有标签，图像格式均为tif，如下图所示:

图片目录CT_image

train文件夹

train_label文件夹

val文件夹

val_label文件夹

训练集和验证集目录CT_txt

train.txt示例

val.txt示例

注意：图片和标签的分隔符为制表符\t

2.2 模型结构介绍

U-Net网络简介

U-Net网络包含编码和解码两部分,编码器进行下采样,提取原始图像空间特征,解码器进行上采样,根据编码器所提取的空间特征构造出图像。为了防止对应特征丢失,对应编码器和解码器之间有跳跃连接。
U-Net的编码器采用两层3x3卷积、ReLU激活函数和2×2最大池化,来提取图像特征,共进行4次下采样,该过程降低特征图尺寸,增加通道数。解码器部分使用2×2反卷积进行上采样,减少通道数,逐渐恢复特征图尺寸
比方说一开始的图片是224x224的，那么就会变成112x112，56x56,28x28,14x14四个不同尺寸的特征。然后我们对14x14的特征图做上采样或者反卷积，得到28x28的特征图，这个28x28的特征图与之前的28x28的特征图进行通道上的拼接concat，然后再对拼接之后的特征图做卷积和上采样，得到56x56的特征图，再与之前的56x56的特征拼接，卷积，再上采样，经过四次上采样可以得到一个与输入图像尺寸相同的224x224的预测结果。

改进的MA-Unet结构

MA-Unet分为两个部分，分别为编码器与解码器。由于U-Net在跳跃连接时存在无效的语义信息，故在编码器中每一层的特征图在经过卷积层之后加入CBAM。在CBAM的通道注意力模块中，通过通道注意力机制来加强特征，抑制其他无效特征，从而提高网络精度；在CBAM的空间注意力模块中，空间注意力机制可从已进行上采样的特征图中恢复空间信息。针对U-Net对尺度信息提取不足的问题，在编码器最后一层通道数为1024的特征图后加入改进的ASPP模块。通过ASPP模块可以实现对不同尺度特征的提取，在低层阶段获得精细的目标像素分割定位，在高层阶段提取更为有效的特征，从而提高分割精度。在解码器中，为了解决图像存在的不同尺寸的物体的多尺度问题，对每一个尺度的特征图进行串联，在最后进行提取时，特征图包含了各个尺度的信息特征

改进后的网络流程

三、模型训练

下载训练代码，目录如下所示

修改train_config.json，设置自己数据集的路径，以及必要的参数，如图

注意：num_classes = 2 是算上了背景类

最后运行train.py即可开始训练

运行predict.py可以进行预测

=========================================================================
为了小伙伴们能够，更好的学习实践，本文已将训练代码和数据集打包上传，供小伙伴们学习。获取方式如下：

关注公众哈【小白深度学习之路】，发送【CT】即可。