YNet Download – YNet Quellcode-Download

YNet

Anderer Quellcode

Herunterladen

Y-Net: Gelenksegmentierung und -klassifizierung zur Diagnose von Brustbiopsiebildern

Dieses Repository enthält den Quellcode für unseren Artikel YNet, der zur Veröffentlichung bei MICCAI'18 angenommen wurde.

Beispielausgabe von Y-Net

Y-Net identifizierte korrekt klassifizierte Gewebe, die für die Diagnose nicht wichtig waren. Beispielsweise wurde Stroma als wichtiges Gewebe identifiziert, Blut jedoch nicht. Stroma ist eine wichtige Gewebemarkierung für die Diagnose von Brustkrebs [1] und das Entfernen von Informationen über Stroma verringerte die Genauigkeit der diagnostischen Klassifizierung um etwa 4 %. Weitere Einzelheiten finden Sie im Dokument.

[1] Beck, Andrew H., et al. „Eine systematische Analyse der Brustkrebsmorphologie deckt Stromamerkmale auf, die mit dem Überleben verbunden sind.“ Wissenschaftliche translationale Medizin 3.108 (2011): 108ra113-108ra113.

Ergebnisse

Einige Segmentierungsergebnisse (Links: RGB WSI, Mitte: Ground Truth, Rechts: Vorhersagen von Y-Net)

Ergebnisse

Struktur dieses Repositorys

YNet wird in zwei Phasen trainiert:

stage1 Dieses Verzeichnis enthält den Quellcode für das Training der Stufe 1 in Y-Net. Stufe 1 ist nichts anderes als ein Segmentierungszweig.
stage2 Dieses Verzeichnis enthält den Quellcode für das Training der Stufe 2 in Y-Net. Stufe 2 ist das gemeinsame Erlernen der Segmentierung und Klassifizierung.
seg_eval Dieses Verzeichnis enthält den Quellcode zur Erstellung der Segmentierungsmasken.

Voraussetzung

Um diesen Code auszuführen, benötigen Sie folgende Bibliotheken:

OpenCV – Wir haben unseren Code mit Version 3.3.0 getestet. Wenn Sie andere Versionen verwenden, ändern Sie bitte den Quellcode entsprechend.
PyTorch – Wir haben mit v0.2.0_4 getestet. Wenn Sie andere Versionen verwenden, ändern Sie bitte den Quellcode entsprechend.
Python – Wir haben unseren Code mit Python 3.6.2 (Anaconda Custom 64-Bit) getestet. Wenn Sie andere Python-Versionen verwenden, können Sie gerne die erforderlichen Änderungen am Code vornehmen.

Wir empfehlen die Verwendung von Anaconda. Wir haben unseren Code auf Ubuntu 16.04 getestet.

Zitat

Wenn Y-Net für Ihre Forschung nützlich ist, zitieren Sie bitte unseren Artikel.

 @inproceedings{mehta2018ynet,
  title={{Y-Net: Joint Segmentation and Classification for Diagnosis of Breast Biopsy Images}},
  author={Sachin Mehta and Ezgi Mercan and Jamen Bartlett and Donald Weaver and Joann  Elmore and Linda Shapiro},
  booktitle={International Conference on Medical image computing and computer-assisted intervention},
  year={2018},
  organization={Springer}
}

@article{mehta2018espnet,
  title={ESPNet: Efficient Spatial Pyramid of Dilated Convolutions for Semantic Segmentation},
  author={Sachin Mehta, Mohammad Rastegari, Anat Caspi, Linda Shapiro, and Hannaneh Hajishirzi},
  journal={European Conference in Computer Vision (ECCV)},
  year={2018}
}