wolny/pytorch-3dunet

解决的问题

体积图像分析通常需要对 3D 中的细胞或细胞核等结构进行分割。pytorch-3dunet 提供了一个开箱即用的 3D U-Net 架构及其变体实现，研究人员可以训练模型来自动标记体积中的每个体素，或执行去噪等回归任务。它处理了数据加载、损失计算和评估等繁重工作。

工作原理

该库围绕 YAML 配置文件构建，用于指定模型、数据路径、损失函数和训练设置。训练通过 train3dunet --config <CONFIG> 启动，预测通过 predict3dunet --config <CONFIG> 启动。输入数据必须存储在包含 raw 和 label 数据集的 HDF5 文件中。该代码同时支持 3D 和 2D U-Net；对于 2D，数据保持单例 z 维度。它包含多种 U-Net 变体：标准版、残差版以及带有 Squeeze-and-Excitation 模块的残差版。它还提供了许多适用于分割和回归的损失函数（例如 Dice, cross-entropy, mean squared error）和评估指标（例如 IoU, Dice, PSNR）。当有多个 GPU 可用时，训练和预测会自动使用 DataParallel。

适用人群

需要分割结构（例如细胞边界、细胞核）或执行回归任务的体积生物或医学图像研究人员和工程师。对于任何想要应用经过验证的 3D U-Net 实现而无需从头构建的人来说，它也非常有用。

主要亮点

• 实现了 3D U-Net, Residual U-Net 以及带有 Squeeze-and-Excitation 模块的 Residual U-Net。
• 支持语义分割（二分类和多分类）和回归（例如去噪）。
• 通过在 HDF5 中保持单例 z 维度，同时也支持 2D U-Net。
• 为分割和回归提供了广泛的损失函数和评估指标。
• 提供用于植物细胞边界和细胞核分割的预训练模型和示例配置。
• 可通过 DataParallel 在多个 GPU 上自动运行。