医学图像分割技术是借助先进的计算机视觉算法，针对医学影像数据进行智能识别与精确剪裁的核心手段，在医学诊断、治疗设计以及深入的图像分析等方面扮演着至关重要的作用。医学图像分割算法融合了众多方法论，从传统的基于阈值、区域生长、分裂合并、边缘检测等原理出发，逐步发展至包含区域相似性分析的水平集、区域竞争等高级算法，再到当今前沿的机器学习和深度学习技术，诸如 U-Net、全卷积网络 (FCN)、Mask R-CNN、DeepLab 等深度学习模型的广泛应用，极大地提升了分割的精度与效率。
这个项目使用主流的深度学习框架 Pytorch + UNet来实现，项目的特点是支持训练、分割算法特别轻量化、能够一键执行训练+预测，能够适应分割结构复杂的医学图像。项目提供完整的代码，包括训练 + 预测代码、一键执行脚本、训练好的分割模型权重 (当然也支持自己训练)、项目三方依赖库 (requirements.txt)、训练标注图片、待检测的测试图片、检测后的效果图等。
在拿到项目代码后，进行开发环境的配置，老习惯用 Anaconda3 管理 py 环境，如下，
# 安装 Anaconda3，过程略 ~# 创建conda py环境conda create -n aipro_py39 python=3.9# 激活conda py环境conda activate aipro_py39
然后自行安装 pytorch，然后直接运行 run.sh一键执行脚本即可进行三方依赖安装 + 执行训练 + 执行推理测试。run.sh 的内容很简单，如下：
# 安装三方依赖pip install -r requirements.txt# 执行训练 + 执行推理python main.py
执行训练过程如下：
预测结果保存在 res 文件夹下，下面展示医学图像分割效果，分割结果以 mask 二值图的形式展示，部分分割结果如下 (左边为原图，右边为分割图)，可以看到即使是边界不太清楚的结构也是可以分割的比较清楚，且项目在增加 + 丰富训练数据集后，分割效果会进一步提升。
本文链接：http://www.mocany.com/showinfo-1-32397-0.html极智项目 | 基于Pytorch+UNet实现医学图像分割算法 支持算法训练+预测
