文件名称：计算卷积的matlab代码-KIUnetpPytorch:KIUnetpPytorch
文件大小：162KB
文件格式：ZIP
更新时间：2024-06-12 15:35:25
系统开源
计算卷积的matlab代码KiU-Net-Pytorch | | | 在MICCAI 2020及其上发表的论文的官方Pytorch编码 期刊扩展： 关于此仓库： 此存储库托管以下网络的代码： KiU-Net 2D KiU-Net 3D Res-KiU网 致密网 它还具有组织用于通用2D图像分割和BraTS，LiTS数据集的3D体积分割的数据加载器； 便于对医学图像和体积分割算法进行基准测试。 介绍 在通用的“编码器-解码器”体系结构中，编码器的最初几个块学习数据的低级特征，而后面的块学习高级数据。 最终，编码器学会了将数据映射到较低维度（在空间意义上）。 随着网络深度的增加，接收场的大小也限制了网络将更多的精力放在更高层次的功能上。 在我们提出的体系结构中，我们引入了Ki-Net，其中我们使用了过完整的表示形式，这限制了接收域的增加。 这是通过对编码器的体系结构进行简单的更改来完成的，其中最大池化被上采样替代。 这有助于深层过滤器将更多的注意力集中在低级细节上，从而有助于细分。 当使用U-Net增强时，该网络称为KiU-Net，在分割较小的解剖标志和模糊的噪声边界的情况下，可以带来显着
【文件预览】：
KIUnetpPytorch-master
----train.py(10KB)
----LiTS()
--------utilities()
--------loss()
--------train.py(3KB)
--------DenseCRF()
--------requirements.txt(146B)
--------dataset()
--------parameter.py(2KB)
--------net()
--------README.md(966B)
--------data_prepare()
--------data_analysis()
--------val.py(6KB)
----test.py(6KB)
----img()
--------arch.png(91KB)
----utils.py(9KB)
----performancemetrics.m(2KB)
----LICENSE(1KB)
----metrics.py(3KB)
----README.md(7KB)
----arch()
--------ae.py(35KB)
----BRATS()
--------train_kiunet.py(7KB)
--------experiments()
--------predict_kiunet.py(6KB)
--------models()
--------prep.py(5KB)
--------compress_data.py(1KB)
--------README.md(1KB)
--------data()
--------ensemble_methods.py(4KB)
----extractors.py(13KB)