Загрузка YNet - Загрузка исходного кода YNet

YNet

Другой исходный код

Скачать

Y-Net: Совместная сегментация и классификация для диагностики изображений биопсии молочной железы

Этот репозиторий содержит исходный код нашей статьи YNet, которая принята к публикации на MICCAI'18.

Пример вывода Y-Net

Y-Net идентифицировал правильно классифицированные ткани, которые не имели значения для диагностики. Например, строма была идентифицирована как важная ткань, а кровь - нет. Строма является важной тканевой меткой для диагностики рака молочной железы [1], и удаление информации о строме снижает точность диагностической классификации примерно на 4%. Более подробную информацию смотрите в статье.

[1] Бек, Эндрю Х. и др. «Систематический анализ морфологии рака молочной железы выявляет особенности стромы, связанные с выживаемостью». Наука трансляционная медицина 3.108 (2011): 108ра113-108ра113.

Результаты

Некоторые результаты сегментации (слева: RGB WSI, в центре: основная истина, справа: прогнозы Y-Net)

Результаты

Структура этого репозитория

YNet обучается в два этапа:

stage1 Этот каталог содержит исходный код для обучения этапа 1 в Y-Net. Этап 1 — это не что иное, как ветвь сегментации.
stage2 Этот каталог содержит исходный код для обучения этапа 2 в Y-Net. Этап 2 — совместное изучение сегментации и классификации.
seg_eval Этот каталог содержит исходный код для создания масок сегментации.

Предварительное условие

Для запуска этого кода вам необходимо иметь следующие библиотеки:

OpenCV — мы протестировали наш код с версией 3.3.0. Если вы используете другие версии, измените исходный код соответствующим образом.
PyTorch — мы тестировали с версией 0.2.0_4. Если вы используете другие версии, измените исходный код соответствующим образом.
Python. Мы тестировали наш код на Python 3.6.2 (собственная 64-разрядная версия Anaconda). Если вы используете другие версии Python, вносите необходимые изменения в код.

Мы рекомендуем использовать Анаконду. Мы протестировали наш код на Ubuntu 16.04.

Цитирование

Если Y-Net полезен для вашего исследования, пожалуйста, процитируйте нашу статью.

 @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}
}