多平面UNet：一个UNet适用于所有3D分割任务（即使你的数据量较少）- 低代码方法

‘多平面UNet：低代码方法适用于所有3D分割任务（即使你的数据量较少）’

在开始我的博士学位后，我遇到的第一个现实世界的医学图像分割项目是膝关节MRI分割。我只有39个带标签的MRI图像用于训练和验证，还有20个带标签的图像用于最终的测试集。此外，我的导师还补充道：

“我们将在近200个未标记的图像上测试我们的分割模型”

会议结束后，我坐在桌前想着，我现在该怎么办😧？39个图像真的很少，所以我像每个人一样，先用UNet建立了一个基准结果。经过尝试了一个简单的3D UNet并通过多次训练迭代调整超参数后，验证的Dice分数达到了0.65。其他UNet的变体，如Res UNet和Attention UNet，无法与简单的3D UNet的性能匹敌，主要是因为复杂的模型需要更多数据才能发挥作用，并且在如此有限的数据集上效果不佳。

在下一次面对面的会议上，我把这些结果展示给了导师，他笑着看了看，并建议我看一下MPUNet（Multi-planner UNet），这是UNet的一个先进版本，用于3D医学图像分割。这个惊人的库是由Mathias Perslev，Erik Dam，Akshay Pai和Christian Igel创建的。如果你想了解更多，请看这里：https://doi.org/10.1007/978-3-030-32245-8_4。

• DINOv2 用于自定义数据集分割：一份全面的教程
• 《顶级7个必备备考表，让你在数据科学面试中出类拔萃》
• Gary Huestis, Powerhouse Forensics的所有者和董事 – 采访系列

在安装过程中与它斗争了一些（可能很多 😅），因为它需要特定版本的Python和tensorflow，但最终成功了。看到最终测试的Dice分数超过了0.80，我感到非常惊讶 😎。这篇论文目前仍在分析阶段，一旦发表我会分享给大家。因此，如果你数据很少，且苦于获得良好的Dice分数，那么这是一个很棒的方法和攻略，这次你不需要花费几个小时来安装和让它工作了。:)

攻略

1. 使MultiPlanar UNet工作。
2. 如何安装这个库？
3. 如何使用它？

MultiPlanar UNet工作原理：

在应用MPUNet之前，让我们了解下它的工作原理。MPUNet主要有3个部分：

数据生成：