Unet Segmentation Model

🩺 COVID-19のCTスキャンセグメンテーション用UNetモデル

このUNetベースのセグメンテーションモデルは、CTスキャンにおけるCOVID-19感染肺領域の自動セグメンテーションを目的として設計されています。これは、感染領域に対する焦点を改善するために、古典的なU-Netにアテンションメカニズムを追加しています。

🚀 クイックスタート

このUNetモデルは、COVID-19のCTスキャン画像から感染した肺領域を自動的にセグメント化するために開発されました。以下に、モデルの概要、学習詳細、性能、使用方法を説明します。

✨ 主な機能

• アーキテクチャ：UNet + アテンションゲート
• データセット：Coronacases.org、Radiopaedia.org、ZenodoリポジトリからのCOVID-19のCTスキャン
• タスク：画像セグメンテーション（肺感染）
• 評価指標：Dice係数、IoU、ハウスドルフ距離、ASSD

📦 インストール

このモデルを使用するには、必要なライブラリをインストールする必要があります。以下のコードを参考にしてください。

1️⃣ モデルの読み込み

TensorFlow/Keras

import os
from huggingface_hub import hf_hub_download
from tensorflow.keras.models import load_model
from keras.saving import register_keras_serializable
import tensorflow.keras.backend as K

# ✅ Kerasバックエンドの設定（オプション）
os.environ["KERAS_BACKEND"] = "jax"

# ✅ 欠落している関数の登録と定義
@register_keras_serializable()
def dice_coef(y_true, y_pred, smooth=1e-6):
    y_true_f = K.flatten(y_true)
    y_pred_f = K.flatten(y_pred)
    intersection = K.sum(y_true_f * y_pred_f)
    return (2. * intersection + smooth) / (K.sum(y_true_f) + K.sum(y_pred_f) + smooth)

@register_keras_serializable()
def gl_sl(*args, **kwargs):
    pass  # プレースホルダー関数（必要に応じて更新）

# ✅ Hugging Faceからモデルをダウンロード
model_path = hf_hub_download(repo_id="amal90888/unet-segmentation-model", filename="unet_model.keras")

# ✅ 登録されたカスタムオブジェクトでモデルを読み込む
unet = load_model(model_path, custom_objects={"dice_coef": dice_coef, "gl_sl": gl_sl}, compile=False)

# ✅ 新しいオプティマイザーと正しい損失関数で再コンパイル
from tensorflow.keras.optimizers import Adam
unet.compile(optimizer=Adam(learning_rate=1e-4), loss="binary_crossentropy", metrics=["accuracy", dice_coef])

print("✅ モデルが正常に読み込まれ、再コンパイルされました！")

📚 ドキュメント

📊 学習詳細

• データセットサイズ：20のCTスキャン（512 × 512 × 301スライス）
• 前処理：
  • ピクセル強度の正規化 [0,1]
  • HU閾値処理：[-1000, 1500]
  • 画像サイズを 128 × 128ピクセル にリサイズ
  • マスクの二値化（0 = 背景、1 = 感染領域）
• データ拡張：
  • 回転：±5度
  • 弾性変換、ガウシアンブラー
  • 明るさ/コントラストの変化
  • 最終データセット：2,252のCTスライス
• 学習：
  • オプティマイザー：Adam (学習率 = 1e-4)
  • 損失関数：重み付きBCE-Dice損失 + 表面損失
  • バッチサイズ：16
  • エポック数：25
  • 学習プラットフォーム：NVIDIA Tesla T4（Google Colab Pro）

🚀 モデルの性能

📌 主要な結果：
✔ データ拡張によりセグメンテーション精度が大幅に向上しました
✔ アテンションU-Netは他のセグメンテーションモデルを上回りました

📄 ライセンス

このモデルは、MITライセンスの下で提供されています。