DARTSeg 1.0.0

基于DenseUnet的自动快速脑分割（DARTS）

与项目相关的论文

这篇论文详细描述了项目和实验（链接到待更新的论文）。在

脑MR分割的深度学习模型

我们使用Human Connectome Project数据集中的1113名受试者的自由曲面分段预训练我们的稠密的Unet模型，并使用来自Mindboggle数据集的101个手动标记的大脑扫描对模型进行微调。在

该模型能够在一分钟内完成整个大脑的分割（在具有单个GPU的机器上）。该模型标记了大脑中的102个区域，成为第一个在一分钟内分割出100多个大脑区域的模型。102个地区的详细信息可以在下面找到。在

智囊团的结果提供了数据

方块图比较密集U网和U网不同ROI的骰子得分。稠密的U-Net始终优于U-Net，并且在大多数roi中实现了良好的骰子得分。在

使用预训练模型进行完整的脑分割

用户可以使用预先训练好的模型来进行完整的脑MR分割。要使用coronaly预先训练的模型，用户必须执行^{}脚本。插图可以在^{}笔记本上看到。在

以下代码块可用于执行预测：

usage: perform_pred.py [-h] [--input_image_path INPUT_IMAGE_PATH]
                       [--segmentation_dir_path SEGMENTATION_DIR_PATH]
                       [--file_name FILE_NAME] [--model_type MODEL_TYPE]
                       [--model_wts_path MODEL_WTS_PATH] [--is_mgz [IS_MGZ]]
                       [--save_prob [SAVE_PROB]] [--use_gpu [USE_GPU]]

optional arguments:
  -h, --help            show this help message and exit
  --input_image_path INPUT_IMAGE_PATH
                        Path to input image (can be of .mgz or .nii.gz
                        format)(required)
  --segmentation_dir_path SEGMENTATION_DIR_PATH
                        Directory path to save the output segmentation
                        (required)
  --file_name FILE_NAME
                        Name of the segmentation file (required)
  --model_type MODEL_TYPE
                        Model types: "dense-unet", "unet" (default: "dense-
                        unet")
  --model_wts_path MODEL_WTS_PATH
                        Path for model wts to be used (default='./saved_model_
                        wts/dense_unet_back2front_finetuned.pth')
  --is_mgz [IS_MGZ]     Is the image in .mgz format (default=False, default
                        format is .nii.gz)
  --save_prob [SAVE_PROB]
                        Should the softmax prob values for each voxel be saved
                        ? (default: False)
  --use_gpu [USE_GPU]   Use GPU for inference? (default: True)

例如如下所示：