Unet Segmentation Model

🚀 🩺 用于COVID - 19 CT扫描分割的UNet模型

本模型是一个基于UNet的分割模型，专为在CT扫描中实现对COVID - 19感染肺部区域的自动分割而设计。它通过引入注意力机制对经典的U - Net进行了增强，从而能够更精准地聚焦于感染区域。

📚 详细文档

📌 模型概述

• 架构：UNet + 注意力门
• 数据集：来自Coronacases.org、Radiopaedia.org和Zenodo Repository的COVID - 19 CT扫描数据
• 任务：图像分割（肺部感染）
• 评估指标：Dice系数、交并比（IoU）、豪斯多夫距离、对称表面距离（ASSD）

📊 训练详情

• 数据集规模：20次CT扫描（512 × 512 × 301切片）
• 预处理：
  • 像素强度归一化到[0,1]
  • HU阈值设定为[-1000, 1500]
  • 图像调整大小为128 × 128像素
  • 掩码二值化（0 = 背景，1 = 感染区域）
• 数据增强：
  • 旋转：±5度
  • 弹性变换、高斯模糊
  • 亮度/对比度变化
  • 最终数据集：2,252个CT切片
• 训练：
  • 优化器：Adam（学习率 = 1e - 4）
  • 损失函数：加权BCE - Dice损失 + 表面损失
  • 批量大小：16
  • 训练轮数：25
  • 训练平台：NVIDIA Tesla T4（Google Colab Pro）

🚀 模型性能

📌 关键发现： ✔ 数据增强显著提高了分割精度 ✔ 注意力U - Net的表现优于其他分割模型

💻 使用示例

1️⃣ 加载模型

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!")

📄 许可证

本项目采用MIT许可证。