Medical Transformer
1.0.0
رمز Pytorch للورقة "المحول الطبي: بوابات محورية لتجزئة الصور الطبية" ، Miccai 2021
ورقة | ملصق
: الخروج من أحدث أعمالنا ، وهي بنية تجزئة أسرع وأكثر كفاءة يسهل تدريبها وتنفيذها! الكود متاح هنا.
يستضيف هذا الريبو رمز الشبكات التالية:
تتطلب غالبية هياكل الشبكة القائمة على المحولات الحالية المقترحة لتطبيقات الرؤية مجموعات بيانات واسعة النطاق للتدريب بشكل صحيح. ومع ذلك ، بالمقارنة مع مجموعات البيانات الخاصة بتطبيقات الرؤية ، للتصوير الطبي ، يكون عدد عينات البيانات منخفضًا نسبيًا ، مما يجعل من الصعب تدريب المحولات بكفاءة على التطبيقات الطبية. تحقيقًا لهذه الغاية ، نقترح نموذجًا للاعتداء المحوري المسور الذي يمتد البنى الموجودة عن طريق إدخال آلية تحكم إضافية في وحدة الاهتمام الذاتي. علاوة على ذلك ، لتدريب النموذج بشكل فعال على الصور الطبية ، نقترح طبقة تدريب محلية للمجلد (شعار) مما يزيد من تحسين الأداء. على وجه التحديد ، نقوم بتصوير الصورة والبقع الكاملة لتعلم الميزات العالمية والمحلية ، على التوالي. يستخدم المحول الطبي المقترح (MEDT) استراتيجية تدريب الشعار على الاهتمام المحوري بوابات U-NET.
git clone https://github.com/jeya-maria-jose/Medical-Transformer
cd Medical-Transformerالرمز مستقر باستخدام Python 3.6.10 ، Pytorch 1.4.0
لتثبيت جميع التبعيات باستخدام كوندا:
conda env create -f environment.yml
conda activate medtلتثبيت جميع التبعيات باستخدام PIP:
pip install -r requirements.txtقم بإعداد مجموعة البيانات بالتنسيق التالي لسهولة الاستخدام للرمز. يجب أن تحتوي مجلدات القطار والاختبار على اثنين من المجلدات الفرعية لكل منهما: IMG والتسمية. تأكد من وضع الصور المقابلة لأقنعة التجزئة المقابلة تحت هذه المجلدات وأن يكون لها نفس الاسم لمراسلة سهلة. يرجى تغيير لوادر البيانات إلى حاجتك إذا كنت تفضل عدم إعداد مجموعة البيانات في هذا التنسيق.
Train Folder-----
img----
0001.png
0002.png
.......
labelcol---
0001.png
0002.png
.......
Validation Folder-----
img----
0001.png
0002.png
.......
labelcol---
0001.png
0002.png
.......
Test Folder-----
img----
0001.png
0002.png
.......
labelcol---
0001.png
0002.png
.......
python train.py --train_dataset " enter train directory " --val_dataset " enter validation directory " --direc ' path for results to be saved ' --batch_size 4 --epoch 400 --save_freq 10 --modelname " gatedaxialunet " --learning_rate 0.001 --imgsize 128 --gray " no " Change modelname to MedT or logo to train thempython test.py --loaddirec " ./saved_model_path/model_name.pth " --val_dataset " test dataset directory " --direc ' path for results to be saved ' --batch_size 1 --modelname " gatedaxialunet " --imgsize 128 --gray " no "سيتم وضع النتائج بما في ذلك خرائط القطاعات المتوقعة في مجلد النتائج إلى جانب أوزان النموذج. قم بتشغيل رمز مقاييس الأداء في MATLAB لحساب درجة F1 و MIOU.
1) لاحظ أن هذه التجارب أجريت في Nvidia Quadro 8000 مع ذاكرة 48 جيجابايت. 2) رمز Google Colab هو تطبيق غير رسمي للقطار/الاختبار السريع. يرجى اتباع الرمز الأصلي للتدريب المناسب.
رمز Dataloader مستوحى من Pytorch-unet. تم تطوير رمز الانتباه المحوري من Deved-Deplab.
@InProceedings{jose2021medical,
author= " Valanarasu, Jeya Maria Jose
and Oza, Poojan
and Hacihaliloglu, Ilker
and Patel, Vishal M. " ,
title= " Medical Transformer: Gated Axial-Attention for Medical Image Segmentation " ,
booktitle= " Medical Image Computing and Computer Assisted Intervention -- MICCAI 2021 " ,
year= " 2021 " ,
publisher= " Springer International Publishing " ,
address= " Cham " ,
pages= " 36--46 " ,
isbn= " 978-3-030-87193-2 "
}
افتح مشكلة أو أرسل لي مباشرة في حالة وجود أي استفسارات أو اقتراحات.
