Vliv předzpracování obrazu a augmentace dat na segmentaci rentgenových snímků

• Teoretická část
1. přehled metod předzpracování obrazu (vylepšení obrazu, redukce šumu, prahování aj.)
2. vylepšení kvality rentgenových snímků pomocí neuronových sítí
3. obecné postupy augmentace dat
• Praktická část
4. popis datasetu
5. návrh metod vhodných pro předzpracování rentgenových snímků
6. návrh a implementace specializovaných modelů neuronových sítí
7. aplikace implementovaných metod a měření vlivu předzpracování na efektivitu učení segmentačních modelů
8. zhodnocení výsledků

Tento repozitář obsahuje kód a data k diplomové práci zabývající se vlivem předzpracování obrazu a augmentace dat na segmentaci rentgenových snímků. Repozitář je strukturován následujícím způsobem:

Struktura repozitáře

• common/ - obsahuje pomocné funkce pro manipulaci s daty a pro vizualizaci.
• configs/ - konfigurace pro jednotlivé modely a metody.
• preprocessing/ - kód pro modely a metody předzpracování obrazu.
• results/ - výsledky experimentů.
• statistics_methods/ - statistické metody použité v projektu.
• unet/ - kód pro modely U-Net a jejich trénink.
• main.py - hlavní soubor pro spuštění experimentů a trénink modelů.
• poetry.lock a pyproject.toml - závislosti a nastavení projektu pomocí Poetry.

Poetry

Tento projekt používá nástroj Poetry pro správu závislostí a virtuálního prostředí. Poetry usnadňuje instalaci všech potřebných knihoven a zajišťuje, že projekt bude fungovat konzistentně na různých systémech.

Nastavení projektu

Pro nastavení projektu postupujte podle následujících kroků:

1. Nainstalujte Poetry podle pokynů na oficiálních stránkách.
2. Naklonujte tento repozitář:

git clone https://github.com/Cemonix/Impact-of-Preprocessing.git
cd Impact-of-Preprocessing

3. Nainstalujte závislosti pomocí Poetry:

poetry install

4. Aktivujte virtuální prostředí:

poetry shell

Spuštění experimentů

Pro spuštění hlavního souboru a zahájení experimentů použijte následující příkaz:

python main.py

Průvodce hlavním souborem (main.py)

Hlavní soubor (main.py) slouží jako centrální bod pro spuštění různých experimentů a trénink modelů. Níže je popsáno, jak může uživatel soubor používat a jaké funkce obsahuje:

Struktura hlavního souboru

main.py obsahuje několik funkcí, které se zaměřují na různé aspekty předzpracování dat a trénink modelů:

1. create_dataset_main():

   • Vytvoří dataset se zašuměnými snímky pro trénink a testování.

2. apply_model_and_create_dataset():

   • Použije vytrénovaný model pro odšumění snímků a vytvoří dataset s odšuměnými snímky.

3. apply_ensemble_and_create_dataset():

   • Aplikuje metodu ensemble averaging na snímky a vytvoří dataset s odfiltrovanými snímky.

4. train_unet_model():

   • Trénuje model U-Net pro binární segmentaci plicních snímků.

5. test_unet_model():

   • Testuje vytrénovaný model U-Net na zvolených snímcích.

6. train_multiclass_unet_model():

   • Trénuje model U-Net pro vícetřídní segmentaci zubních snímků.

7. train_preprocessing_model():

   • Trénuje modely pro redukci šumu (např. DnCNN, DAE).

8. test_preprocessing_model():

   • Testuje vytrénovaný model pro redukci šumu na zvolených snímcích.

9. test_noise_transforms():

   • Testuje různé transformace šumu na snímcích.

10. test_standard_preprocessing_methods():

    • Testuje standardní metody předzpracování snímků.

11. test_preprocessing_ensemble_method():

    • Testuje metodu ensemble averaging pro předzpracování snímků.

12. measure_metrics_for_images():

    • Měří metriky (např. PSNR, SSIM) pro odšuměné snímky.

13. measure_noise_std():

    • Odhaduje směrodatnou odchylku šumu ve snímcích.

14. plot_mlflow_runs_metrics():

    • Zobrazuje metriky z experimentů uložených v MLflow.

Jak používat main.py

1. Nastavení projektu:

   • Před spuštěním experimentů je nutné nastavit virtuální prostředí a nainstalovat všechny závislosti pomocí Poetry.

2. Spuštění experimentů:

   • Každá funkce v main.py představuje konkrétní experiment nebo krok v předzpracování dat. Pro spuštění konkrétní funkce je třeba ji odkomentovat v části if __name__ == "__main__": a spustit soubor.

3. Příklad spuštění tréninku modelu U-Net:

   • Pro trénink modelu U-Net odkomentujte train_unet_model() a spusťte hlavní soubor:

     poetry run python main.py

4. Použití MLflow:

   • Pro sledování experimentů a jejich metrik použijte MLflow. Spusťte MLflow pomocí:

     mlflow ui

   • Po spuštění tohoto příkazu bude MLflow UI dostupné na http://localhost:5000 , kde můžete procházet a analyzovat všechny experimenty provedené v rámci tohoto projektu.

Tento průvodce poskytuje základní přehled o tom, jak používat hlavní soubor main.py k provádění různých experimentů a tréninku modelů v rámci projektu. Podrobnosti o jednotlivých funkcích a jejich parametrech lze najít přímo v kódu souboru.