YNet下载 - YNet源码下载

YNet

其他源码

下载

Y-Net：乳腺活检图像诊断的联合分割和分类

该存储库包含我们论文 YNet 的源代码，该论文已在 MICCAI'18 上接受发表。

Y-Net 的样本输出

Y-Net 识别出对诊断不重要的正确分类的组织。例如，基质被认为是重要的组织，但血液却不是。基质是诊断乳腺癌的重要组织标签[1]，删除基质信息会使诊断分类准确度降低约 4%。有关更多详细信息，请参阅论文。

[1] 贝克，安德鲁 H.，等人。 “对乳腺癌形态的系统分析揭示了与生存相关的基质特征。”科学转化医学 3.108（2011）：108ra113-108ra113。

一些分割结果（左：RGB WSI，中：Ground Truth，右：Y-Net 的预测）

该存储库的结构

YNet 的训练分两个阶段：

stage1 该目录包含用于训练 Y-Net 中第 1 阶段的源代码。第一阶段只不过是一个分段分支。
stage2 该目录包含用于训练 Y-Net 中第 2 阶段的源代码。第二阶段是共同学习分割和分类。
seg_eval 该目录包含用于生成分段掩码的源代码。

先决条件

要运行此代码，您需要具有以下库：

OpenCV - 我们使用 3.3.0 版本测试了我们的代码。如果您使用其他版本，请相应更改源代码。
PyTorch - 我们使用 v0.2.0_4 进行测试。如果您使用其他版本，请相应更改源代码。
Python - 我们使用 Python 3.6.2（Anaconda 自定义 64 位）测试了我们的代码。如果您使用其他Python版本，请随时对代码进行必要的更改。

我们推荐使用 Anaconda。我们已经在 Ubuntu 16.04 上测试了我们的代码。

引文

如果 Y-Net 对您的研究有用，请引用我们的论文。

 @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}
}