Pytorch Medical Segmentation

Medizinische Segmentierung von Pytorch

Lesen Sie die chinesische Einführung: Hier！！！

Notizen

Wir planen in naher Zukunft ein großes Update des Code.

Neuere Updates

• 2021.1.8 Die Zug- und Testcodes werden veröffentlicht.
• 2021.2.6 Ein Fehler in Würfel wurde mit Hilfe von Shanshan Li behoben.
• 2021.2.24 Ein Video -Tutorial wurde veröffentlicht (https://www.bilibili.com/video/bv1gp4y1h7kq/).
• 2021.5.16 Ein Fehler im UNET3D -Implementierung wurde behoben.
• 2021.5.16 Der Metrikcode wird veröffentlicht.
• 2021.6.24 Alle Parameter können in hparam.py eingestellt werden.
• 2021.7.7 Jetzt können Sie die medizinische Klassifizierung in der Pytorch-Medical-Klassifizierung verweisen
• 2022.5.15 Jetzt können Sie das semi-überprüfte Lernen zur medizinischen Segmentierung in SSL-for-Medical-Segmentierung verweisen
• 2022.5.17 Wir aktualisieren das Training und den Inferenzcode und beheben einige Fehler.

Anforderungen

• Pytorch1.7
• Torchio <= 0,18,20
• Python> = 3,6

Beachten

• Sie können HPARAM.PY ändern, um festzustellen, ob eine 2D- oder 3D -Segmentierung und ob eine Multikegorisierung möglich ist.
• Wir bieten Algorithmen für fast alle 2D- und 3D -Segmentierung.
• Dieses Repository ist mit fast allen medizinischen Datenformaten (z. B. Nii.gz, Nii, Mhd, Nrrd, ...) kompatibel, indem fold_arch in hparam.py der Konfiguration geändert wird. Ich möchte, dass Sie sowohl die Quell- als auch die Beschriftung von Bildern in denselben Typ konvertieren, bevor Sie sie verwenden, wo Etiketten mit 1 markiert sind, nicht 255.
• Wenn Sie ein Programm mit mehreren Kategorien verwenden möchten, ändern Sie bitte die entsprechenden Codes selbst. Ich kann Ihre spezifischen Kategorien nicht identifizieren.
• Ob in 2D oder 3D, dieses Projekt wird mit Patch verarbeitet. Daher müssen Bilder nicht streng gleich groß sein. In 2D sollten Sie jedoch den Patch groß genug einstellen.

Bereiten Sie Ihren Datensatz vor

Beispiel1

Wenn Ihr Quelldatensatz lautet:

 source_dataset
├── source_1.mhd
├── source_1.zraw
├── source_2.mhd
├── source_2.zraw
├── source_3.mhd
├── source_3.zraw
├── source_4.mhd
├── source_4.zraw
└── ...

Und Ihr Etikettendatensatz lautet:

 label_dataset
├── label_1.mhd
├── label_1.zraw
├── label_2.mhd
├── label_2.zraw
├── label_3.mhd
├── label_3.zraw
├── label_4.mhd
├── label_4.zraw
└── ...

Dann sollte Sie fold_arch as *.mhd , source_train_dir as scrice_dataset und label_train_dir as Label_Dataset in hparam.py ändern

Beispiel2

Wenn Ihr Quelldatensatz lautet:

 source_dataset
├── 1
    ├── source_1.mhd
    ├── source_1.zraw
├── 2
    ├── source_2.mhd
    ├── source_2.zraw
├── 3
    ├── source_3.mhd
    ├── source_3.zraw
├── 4
    ├── source_4.mhd
    ├── source_4.zraw
└── ...

Und Ihr Etikettendatensatz lautet:

 label_dataset
├── 1
    ├── label_1.mhd
    ├── label_1.zraw
├── 2
    ├── label_2.mhd
    ├── label_2.zraw
├── 3
    ├── label_3.mhd
    ├── label_3.zraw
├── 4
    ├── label_4.mhd
    ├── label_4.zraw
└── ...

Dann sollte Sie fold_arch as */ *. mhd , source_train_dir as Source_Dataset und label_train_dir as Label_Dataset in hparam.py ändern

Ausbildung

• ohne vorbereitete Modell

 set hparam.train_or_test to 'train'
python main.py

• mit vorbereitetem Modell

 set hparam.train_or_test to 'train'
python main.py -k True

Schlussfolgerung

• Testen

 set hparam.train_or_test to 'test'
python main.py

Beispiele

Tutorials

• https://www.bilibili.com/video/bv1gp4y1h7kq/

Erledigt

Netzwerk

• 2d

• unet
• Unet ++
• Miniseg
• Segnet
• PSPNET
• HighResnet (Kopie von https://github.com/fepegar/highresnet, vielen Dank an Fepegar für Ihre Großzügigkeit!)
• Deeplab
• fcn

• 3d

• unet3d
• Residual-Unet3d
• Densevoxelnet3d
• fcn3d
• vnet3d
• HigresNert (Kopie von https://github.com/fepegar/highresnet, vielen Dank an Fepegar für Ihre Großzügigkeit!)
• Densenet3d
• UNetr (Kopie von https://github.com/tamasino52/unetr)

Metrisch

• metrics.py, um Ihre Ergebnisse zu bewerten

Todo

• Datensatz
• Benchmark
• nnunet

Übrigens

Dieses Projekt ist nicht perfekt und es gibt immer noch viele Probleme. Wenn Sie dieses Projekt verwenden und dem Autor einige Feedbacks geben möchten, können Sie mir eine E -Mail senden.

Anerkennung

Dieses Repository ist eine inoffische Pytorch -Implementierung der medizinischen Segmentierung in 3D und 2D und basiert hoch auf Medicalzoopytorch und Torchio. Vielen Dank für das obige Repo. Das Projekt erfolgt mit den Aufsicht von Prof. Ruoxiu Xiao, Prof. Shuang Song und Dr. Cheng Chen. Vielen Dank an Youming Zhang, Daiheng Gao, Jie Zhang, Xing Tao, Weili Jiang und Shanshan Li für all die Hilfe, die ich erhalten habe.