地球资源数据云——数据资源详情

胸部 X 光片的 UNET 肺分割权重

该数据集《UNET Lung Segmentation Weights for Chest X Rays》主要用于多分类任务，数据形态以图像为主，应用场景偏向医疗健康。 题目说明：Pre - Trained UNET Segmentation Model for Lung Masking from Chest X - rays 任务类型：图像多分类。 建议流程：先检查类别分布与脏样本，再用迁移学习（如 ResNet/EfficientNet）建立基线。 评估建议：使用分层切分或交叉验证，优先关注 F1、Recall、AUC 等分类指标。 可用文件：未检测到标准 CSV，可优先查看目录中的索引或说明文件。 背景信息 CXR 周围通常含有大量噪声，对于心血管疾病的识别，肺是 CXR 的重要组成部分，也是唯一感兴趣的对象。为了消除从噪声中学习，通常建议首先使用 UNET 肺分割预处理数据集，然后应用对象检测/分类算法。因此正在上传该模型。入门代码 我强烈推荐使用此笔记本进行培训。模型架构： python def unet(input_size=(256,256,1)): input = Input(input_size) conv1 = Conv2D(32, (3, 3),activation='relu', padding='same')(inputs) conv1 = Conv2D(32, (3, 3),activation='relu', padding='same')(conv1) pool1 = MaxPooling2D(pool_size=(2, 2))(conv1) conv2 = Conv2D(64, (3, 3), 激活='relu', 填充='相同')(pool1) conv2 = Conv2D(64, (3, 3), 激活='relu', 填充='相同')(conv2) pool2 = MaxPooling2D(pool_size=(2, 2))(conv2) conv3 = Conv2D(128, (3, 3), 激活='relu', 填充='相同')(pool2) conv3 = Conv2D(128, (3, 3), 激活='relu', 填充='相同')(conv3) pool3 = MaxPooling2D(pool_size=(2, 2))(conv3) conv4 = Conv2D(256, (3, 3), 激活='relu', 填充='相同')(pool3) conv4 = Conv2D(256, (3, 3), 激活='relu', 填充='相同')(conv4) pool4 = MaxPooling2D(pool_size=(2, 2))(conv4) conv5 = Conv2D(512, (3, 3), 激活='relu', 填充='相同')(pool4) conv5 = Conv2D(512, (3, 3), 激活='relu', 填充='相同')(conv5) up6 = 连接([Conv2DTranspose(256, (2, 2), 步长=(2, 2), 填充='相同')(conv5), conv4],轴=3) conv6 = Conv2D(256, (3, 3), 激活='relu', 填充='相同')(up6) conv6 = Conv2D(256, (3, 3), 激活='relu', 填充='相同')(conv6) up7 = 连接([Conv2DTranspose(128, (2, 2), 步幅=(2, 2),填充 = '相同'）（凸6），凸3]，轴= 3） 凸7 = Conv2D（128，（3, 3），激活='relu'，填充='相同'）（up7） 凸7 = Conv2D（128，（3, 3），激活='relu'，填充='相同'）（凸