Cell-Instance-Segmentation

模式识别与机器学习大作业(细胞分割)

姓名：高子靖

学号：2017010917

班级：自72

Email: [email protected]

本项目为2020年春季学期模式识别课程大作业，旨在完成分别在数据集一以及数据集二(少量标注)的细胞实例分割，并且以Jaccard相似度作为最终的评价指标。本人基于U-2-Net语义分割以及数字图形形态学预处理和后处理，完成了两数据集的实例分割，并提出了一种可处理细胞粘连的分割方法，具体代码基于U-2-Net进行修改与补充(https://doi.org/10.1016/j.patcog.2020.107404)

本方法在两测试集最终达到了平均jaccard相似度为0.835515和0.854498的效果。

---

运行环境

• Windows 10 x64

库

• scikit-image == 0.16.2
• torchvision == 0.6.0
• pytorch == 1.5.0
• cudatoolkit == 10.1.243
• numpy == 1.18.1
• opencv == 3.4.2
• glob

Set up

包的安装:
  
$ pip install -U numpy  
$ pip install opencv-python
$ pip install scikit-image
$ conda install pytorch torchvision cudatoolkit=10.1 -c pytorch
$ git clone https://github.com/ZjGaothu/Cell-Instance-Segmentation   
$ cd Cell-Instance-Segmentation 

目录结构

• data/:
  • dataset1/:
    • train/: uint16的训练集
    • test/: uint16的测试集
    • train_GT:/ 人工标注的训练集标签
  • dataset2/:
    • train_part/: 使用到的uint16的训练数据，来源于所有训练集的部分数据。
    • test/: uint16的测试集
    • train_GT/: 人工标注的训练集标签
• model/:
  • u2net.py: 训练模型
• saved_models/:
  • best_modeldata1.pth: 数据集一提交最高结果所使用的的模型参数。
  • best_modeldata2.pth: 数据集二提交最高结果所使用的的模型参数。
• test_data:/
  • best_modeldata1_results/: 数据集一保存的最优模型所预测出的概率，保存为三通道图像。
  • best_modeldata2_results/: 数据集二保存的最优模型所预测出的概率，保存为三通道图像。
• code/:
  • data_loder.py: 用于加载数据集
  • generate_data1/2.py: 用于生成能够输入网络中的训练集输入图像和监督标签图像。并完成了数据增强。
  • traindata1/2.py: 用于训练数据集一和数据集二的文件。
  • preddata1/2.py: 用于在训练集进行预测并保存结果至本地的测试集test文件。
  • handel1/2.py: 用于对数据集一和数据集二后处理的文件
  • my_implement_test:/(该部分并非复现结果的代码，仅将其重构后测试跑通)
    • train.py: 重构的训练集训练代码，运行需修改路径。
    • pred.py: 重构的测试集预测代码，运行需修改路径。
    • dataset.py: 重构的dataloader
• report.pdf：报告文档

Tutorial

预处理

run the code:

$ python code/generate_data1.py
$ python code/generate_data2.py

网络训练

训练网络参数，选择保存适当的模型进行后处理。

$ nohup python code/traindata1.py xxx.log1 > 2>&1 &
$ nohup python code/traindata2.py xxx.log2 > 2>&1 &
optional arguments:
  -e, --epochs            show this help message and exit
  -b, --batchsize 
  -l, --learning-rate
  --img_dir,            data directory
  --mask_dir,           data directory
  --modelname,          model name
  --ext
  --savefre,            save frequency
  --scale,              resize shape
  --crop,               crop shape

测试集语义分割

将测试集输入至语义分割网络中，进行语义分割，得到原尺寸分割结果

$ python code/preddata1.py
$ python code/preddata2.py

后处理

对两数据集分别运行后处理代码

$ python code/handle1.py
$ python code/handle2.py