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
Google 即将为所有用户提供端到端加密 (E2EE) 电子邮件服务,包括非 Google Workspace 用户。这项功能无需 IT 管理员进行复杂配置,可作为 S/MIME 协议的替代方案。企业 Gmail 用户可向任何人发送 E2EE 邮件,接收方只需通过简单的身份验证即可查看和回复。该功能将分阶段推出,并将逐步支持所有电子邮箱。
Vodafone Idea 宣布将升级和扩展其在印度主要城市和地区的光传输网络。此次升级基于诺基亚的光交换技术,旨在满足多太比特数据增长需求,支持企业客户的量子安全服务,并提升4G和5G网络容量。诺基亚将部署先进的光学设备和技术,以提高网络效率、灵活性和可持续性。
微软即将迎来成立50周年。这家Windows巨头在半个世纪的发展历程中,经历了许多高光时刻和挫折。从MS-DOS到Windows,从Office到云服务,再到最近的人工智能投资,微软不断创新并主导着企业市场。尽管在移动领域失利,但其在PC和生产力软件方面的地位依然稳固。50年来,微软的产品和决策深刻影响了用户的日常生活和工作方式。
一项新调查显示,72% 的 Z 世代不信任基于人工智能的安全解决方案,成为对数字安全最为怀疑的一代。这种不信任显得尤为讽刺,因为 Z 世代成长于科技主导的世界,却对 AI 控制安全持保留态度。调查探讨了 Z 世代怀疑态度的根源,以及如何通过教育和透明度来解决信任问题。