transunet图好看

### TransUNet 模型生成的图像示例及可视化效果

TransUNet 结合了 UNet 的跳跃连接和 Transformer 架构的强大编码能力，在医学图像分割任务中表现出色。为了更好地理解 TransUNet 如何工作以及其产生的结果，下面提供了一个具体的实例。

#### 实际应用案例：脑肿瘤分割

在这个例子中，假设有一个 MRI 扫描得到的大脑切片图像集，目标是从这些图像中自动识别并标记出肿瘤区域。以下是实现这一过程的具体方法：

1. **数据准备**
需要收集带有标注的真实患者大脑 MRI 图像及其对应的标签图（即已知的肿瘤位置）。这部分通常由放射科医生完成。

2. **模型训练**
使用预处理后的图像对 TransUNet 进行训练。该网络采用 ViT 和 ResNet50 作为主干网，并通过跳跃连接机制保留空间信息[^2]。

3. **预测与评估**
训练完成后，利用测试集中未见过的数据验证模型性能。对于每张输入图片，输出相应的概率分布图表示不同类别像素的可能性大小；最终根据设定阈值得到二值化的分割掩码。

4. **结果展示**

import matplotlib.pyplot as plt
from PIL import Image
import numpy as np

def plot_segmentation(image_path, mask_path):
    fig, (ax1, ax2) = plt.subplots(1, 2)

    img = Image.open(image_path).convert('RGB')
    msk = Image.open(mask_path).convert('L')

    ax1.imshow(img)
    ax1.set_title("Original Image")
    
    ax2.imshow(msk, cmap='gray', vmin=0, vmax=255)
    ax2.set_title("Segmented Mask")

    plt.show()

plot_segmentation('./example_image.png', './segmented_mask.png')  

此代码片段展示了如何加载原始 MRI 切片与其经过 TransUNet 处理后获得的分割蒙版，并将其并列显示出来以便直观对比两者之间的差异。

---