医学图像分割技术是借助先进的计算机视觉算法,针对医学影像数据进行智能识别与精确剪裁的核心手段,在医学诊断、治疗设计以及深入的图像分析等方面扮演着至关重要的作用。医学图像分割算法融合了众多方法论,从传统的基于阈值、区域生长、分裂合并、边缘检测等原理出发,逐步发展至包含区域相似性分析的水平集、区域竞争等高级算法,再到当今前沿的机器学习和深度学习技术,诸如 U-Net、全卷积网络 (FCN)、Mask R-CNN、DeepLab 等深度学习模型的广泛应用,极大地提升了分割的精度与效率。
这个项目使用主流的深度学习框架 Pytorch + UNet来实现,项目的特点是支持训练、分割算法特别轻量化、能够一键执行训练+预测,能够适应分割结构复杂的医学图像。项目提供完整的代码,包括训练 + 预测代码、一键执行脚本、训练好的分割模型权重 (当然也支持自己训练)、项目三方依赖库 (requirements.txt)、训练标注图片、待检测的测试图片、检测后的效果图等。
在拿到项目代码后,进行开发环境的配置,老习惯用 Anaconda3 管理 py 环境,如下,
# 安装 Anaconda3,过程略 ~
# 创建conda py环境
conda create -n aipro_py39 python=3.9
# 激活conda py环境
conda activate aipro_py39
然后自行安装 pytorch,然后直接运行 run.sh
一键执行脚本即可进行三方依赖安装 + 执行训练 + 执行推理测试。run.sh
的内容很简单,如下:
# 安装三方依赖
pip install -r requirements.txt
# 执行训练 + 执行推理
python main.py
执行训练过程如下:
预测结果保存在 res
文件夹下,下面展示医学图像分割效果,分割结果以 mask 二值图的形式展示,部分分割结果如下 (左边为原图,右边为分割图),可以看到即使是边界不太清楚的结构也是可以分割的比较清楚,且项目在增加 + 丰富训练数据集后,分割效果会进一步提升。
好文章,需要你的鼓励
CarMax 作为美国最大的二手车零售商,年收入超过 265 亿美元。在 Shamim Mohammad 的领导下,公司成功实现了数字化转型,成为汽车行业的领先者。通过建立强大的技术基础、优化数据策略、应用人工智能技术,以及采用产品运营模式,CarMax 正在重塑汽车零售的未来。Mohammad 的前瞻性领导力和对创新的不懈追求,使 CarMax 在数字化时代保持竞争优势。
数据中心对我们的数字生活至关重要,但也给环境带来负担。为应对生态挑战,数据中心正向可持续、可再生能源、高效技术和可回收材料转型。这一转变不仅符合日益严格的环保法规,还能为企业带来竞争优势。从"白色空间"到"绿色建筑"的转型,将提高运营效率,降低成本,减少碳排放,为行业树立可持续发展的典范。
Nvidia最近改变了GPU的定义方式,将单个芯片die视为一个GPU,而非之前的整个模块。这一变化可能导致Nvidia AI Enterprise许可证费用翻倍。新的HGX B300 NVL16系统现在被视为拥有16个GPU,而非8个,这可能使年度订阅费用从36,000美元增至72,000美元。Nvidia表示,这一改变源于技术原因,但也可能是为了增加软件订阅收入。
一项新研究表明,OpenAI 可能在未获授权的情况下,使用 O'Reilly 出版社的付费图书来训练其先进的 AI 模型。研究发现,与早期模型相比,OpenAI 的 GPT-4o 模型对 O'Reilly 付费内容表现出更强的识别能力。这一发现引发了对 AI 训练数据来源和版权问题的讨论,同时也凸显了 AI 公司在寻求高质量训练数据方面面临的挑战。