Unet Segmentation Model

🚀 🩺 用於COVID - 19 CT掃描分割的UNet模型

本模型是一個基於UNet的分割模型，專為在CT掃描中實現對COVID - 19感染肺部區域的自動分割而設計。它通過引入注意力機制對經典的U - Net進行了增強，從而能夠更精準地聚焦於感染區域。

📚 詳細文檔

📌 模型概述

• 架構：UNet + 注意力門
• 數據集：來自Coronacases.org、Radiopaedia.org和Zenodo Repository的COVID - 19 CT掃描數據
• 任務：圖像分割（肺部感染）
• 評估指標：Dice係數、交併比（IoU）、豪斯多夫距離、對稱表面距離（ASSD）

📊 訓練詳情

• 數據集規模：20次CT掃描（512 × 512 × 301切片）
• 預處理：
  • 像素強度歸一化到[0,1]
  • HU閾值設定為[-1000, 1500]
  • 圖像調整大小為128 × 128像素
  • 掩碼二值化（0 = 背景，1 = 感染區域）
• 數據增強：
  • 旋轉：±5度
  • 彈性變換、高斯模糊
  • 亮度/對比度變化
  • 最終數據集：2,252個CT切片
• 訓練：
  • 優化器：Adam（學習率 = 1e - 4）
  • 損失函數：加權BCE - Dice損失 + 表面損失
  • 批量大小：16
  • 訓練輪數：25
  • 訓練平臺：NVIDIA Tesla T4（Google Colab Pro）

🚀 模型性能

📌 關鍵發現： ✔ 數據增強顯著提高了分割精度 ✔ 注意力U - Net的表現優於其他分割模型

💻 使用示例

1️⃣ 加載模型

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

# ✅ Set Keras backend (optional)
os.environ["KERAS_BACKEND"] = "jax"

# ✅ Register and define missing functions
@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  # Placeholder function (update if needed)

# ✅ Download the model from Hugging Face
model_path = hf_hub_download(repo_id="amal90888/unet-segmentation-model", filename="unet_model.keras")

# ✅ Load the model with registered custom objects
unet = load_model(model_path, custom_objects={"dice_coef": dice_coef, "gl_sl": gl_sl}, compile=False)

# ✅ Recompile with fresh optimizer and correct loss function
from tensorflow.keras.optimizers import Adam
unet.compile(optimizer=Adam(learning_rate=1e-4), loss="binary_crossentropy", metrics=["accuracy", dice_coef])

print("✅ Model loaded and recompiled successfully!")

📄 許可證

本項目採用MIT許可證。