用于医学图像分割的U2Net

本项目基于 U2Net 实现医学图像分割，内置轻量级的通道注意力机制，用于分析癌细胞的扩散情况，并统计癌细胞在所有细胞（癌细胞与健康细胞）中的比例。该项目可用于辅助癌症检测、病理分析和治疗效果评估，帮助医生优化治疗决策。

环境要求

• Python: 3.6 / 3.7 / 3.8
• System: Windows（不支持多 GPU 训练）/ Ubuntu / CentOS
• Dependencies: numpy: 1.22.0，torch: 1.10.0，torchvision: 0.11.1，opencv_python: 4.5.4.60

数据集介绍

1. MedCell 数据集

每张图片中，绿色区域代表癌细胞，蓝色区域代表健康细胞。

2. 数据集格式

数据集格式与 DUTS-TR 一致，结构如下：

data
├── DUTS-TR
│   ├── DUTS-TR-Image       # 训练集
│   └── DUTS-TR-Mask        # 训练集 GT 标签
│
└── DUTS-TE
    ├── DUTS-TE-Image       # 验证集
    └── DUTS-TE-Mask        # 验证集 GT 标签

使用说明

1. 加载预训练权重：点击此处下载。
2. 单 GPU 或 CPU 训练: 直接使用 train.py 脚本进行训练。
3. 多 GPU 训练: 使用以下指令进行训练：

   torchrun --nproc_per_node=8 train_multi_GPU.py

   其中，nproc_per_node 参数为使用的 GPU 数量。
4. 预测: 使用 predict.py 脚本进行预测。
5. 统计: 使用 count.py 脚本统计癌细胞在所有细胞中的比例。