Die Projekte befinden sich auf Google-Drive und auf GitHub.
Google Drive: https://drive.google.com/drive/folders/1OmN6ZcC_s2Uq1TyOrsZ1PBm9WkFkTDyv?usp=sharing
GitHub .... : https://github.com/HeinkeJonas11/BA_SemanticSegmentation_JonasHeinke
Mit Google Colab können die Projekte cloudbasiert von Google-Drive aus gestartet und abgearbeitet werden. Die kostenfreie Version von Google Colab ist allerdings limitiert. Benötigt wird für anspruchsvolle Trainnings die kostenpflichtige Version „Google+“ für zusätzliche Ressourcen. Das betrifft eine leistungsstarke GPU.
Das Datenset CRAG_v2 muss separat heruntergeladen und in das zugehörige Verzeichnis "../___Datasets/" kopiert werden: https://drive.google.com/file/d/1p3dZXpgeA1IcGO6vXhStbVLMku-fZTmQ/view
Der Download des Datensets WARWICK-QU erfolgt automatisch.
[1] H. Pinckaers, „Software: Neural Ordinary Differential Equations for Semantic Segmentation of Individual Colon Glands,“ GitHub, 09. 04. 2019. [Online]. Available: https://github.com/DIAGNijmegen/neural-odes-segmentation.
[2] J. Schmidt, „Creating and training a U-Net model with PyTorch for 2D & 3D semantic,“ Towards Data Science, 2020. [Online]. Available: https://johschmidt42.medium.com/.
[3] ELEKTRONN-Team und J. Kornfeld (Berater), „Software: elektronn3,“ GitHub, 2017 (2020). [Online]. Available: https://github.com/ELEKTRONN/elektronn3.
Originalprojekt von Pinkers mit geringfügigen, eigenen Erweiterungen zur Ergebnisprotokollierung, zur klassenbezogenen Bewertung und zur Visualisierung der Bilder, Masken und Prognosen
Projekt von Pinckaers zur Segmentation von Drüsen des Datensets CRAG_v2 mit notwendigen Anpassungen zum Einlesen der Daten.
Projekt von Pinckaers zur Segmentation von Drüsen. Eine Anpassung dient zum Einlesen des Datensets CRAG_v2. Erweiterungen sind die Berechnung von klassenbezogenen Kennzahlen, die Visualisierung von Bildern und die Protokollierung von Segmentationsergebnissen.
Eigenes Projekt zur Segmentation des Datensets CRAG_v2, bestehend aus mehreren Teilprojekten:
P5-01 – Visualisierung des Datensets
P5-02 – Zerschneiden großer Bilder (optional, siehe P5-A)
P5-03 – Training mit Validierung
P5-04 – Prognose und Nachbearbeitung
P5-05 – Bewertung und Visualisierung
Das U-Net basiert auf Veröffentlichungen von Schmidt und ELEKTRONN-Team. Zur Nachbearbeitung werden morphologische Operation, der Kettencode oder Module von Python „skimage“ zur Indizierung der Drüsen verwendet. Die Parametrierung erfolgt mithilfe einer Konfigurationsdatei. Zur Bewertung der Prognoseabweichung dienen die Kennzahlen: Der Dice-Index, der F1-Score und der Weighted-Shape.
Das Projekt ist identisch dem Projekt P5, bis auf das Einlesen der Bild-Masken-Paare des Datensets „WARWICK-QU”.