Pytorch Medical Segmentation

Segmentación médica de Pytorch

Lea la introducción china: aquí！

Notas

Estamos planeando una actualización importante del código en el futuro cercano, por lo que si tiene alguna sugerencia, no dude en enviarme un correo electrónico o mencionarlos en el tema.

Actualizaciones recientes

• 2021.1.8 Se liberan los códigos de tren y prueba.
• 2021.2.6 Se solucionó un error en dados con la ayuda de Shanshan Li.
• 2021.2.24 Se lanzó un video tutorial (https://www.bilibili.com/video/bv1gp4y1h7kq/).
• 2021.5.16 Se solucionó un error en el implemento UNET3D.
• 2021.5.16 Se lanza el código métrico.
• 2021.6.24 Todos los parámetros se pueden ajustar en hparam.py.
• 2021.7.7 Ahora puede referir la clasificación médica en clasificación-clasificación-medical pytorch
• 2022.5.15 Ahora puede consultar el aprendizaje semi-supervisado sobre la segmentación médica en SSL por segmentación médica
• 2022.5.17 Actualizamos el código de capacitación e inferencia y solucionamos algunos errores.

Requisitos

• pytorch1.7
• Torchio <= 0.18.20
• Python> = 3.6

Aviso

• Puede modificar hParam.py para determinar si segmentación 2D o 3D y si es posible la multicegorización.
• Proporcionamos algoritmos para casi toda la segmentación 2D y 3D.
• Este repositorio es compatible con casi todos los formatos de datos médicos (por ejemplo, NII.GZ, NII, MHD, NRRD, ...), modificando Fold_arch en HParam.py de la configuración. Me gustaría que convierta las imágenes de fuente y etiqueta al mismo tipo antes de usarlas, donde las etiquetas están marcadas con 1, no 255.
• Si desea utilizar un programa de categoría multicategoría , modifique los códigos correspondientes por usted mismo. No puedo identificar sus categorías específicas.
• Ya sea en 2D o 3D, este proyecto se procesa utilizando Patch . Por lo tanto, las imágenes no tienen que ser estrictamente del mismo tamaño. En 2D, sin embargo, debe configurar el parche lo suficientemente grande.

Prepare su conjunto de datos

Ejemplo1

Si su conjunto de datos de origen es:

 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
└── ...

y su conjunto de datos de etiqueta es:

 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
└── ...

entonces debe modificar Fold_arch como *.mhd , fuente_train_dir como fuente_dataset y etiqueta_train_dir como etiqueta_dataSet en hparam.py

Ejemplo2

Si su conjunto de datos de origen es:

 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
└── ...

y su conjunto de datos de etiqueta es:

 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
└── ...

entonces debe modificar Fold_arch como */ *. Mhd , fuente_train_dir como fuente_dataset y etiqueta_train_dir como etiqueta_dataSet en hparam.py

Capacitación

• sin modelo previamente

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

• con modelo de petróleo

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

Inferencia

• pruebas

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

Ejemplos

Tutoriales

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

Hecho

Red

• 2D

• unena
• unet ++
• miniseg
• segnet
• PSPNET
• HighRSnet (copia de https://github.com/fepegar/highresnet, ¡gracias a Fepegar por su generosidad!)
• piloto profundo
• FCN

• 3D

• unet3d
• residual-unet3d
• densevoxelnet3d
• FCN3D
• VNET3D
• Highresnert (copia de https://github.com/fepegar/highresnet, ¡gracias a Fepegar por su generosidad!)
• densenet3d
• Unetr (copia de https://github.com/tamasino52/unetr)

Métrico

• Metrics.py para evaluar sus resultados

HACER

• conjunto de datos
• punto de referencia
• nnunet

Por cierto

Este proyecto no es perfecto y todavía hay muchos problemas. Si está utilizando este proyecto y desea darle algunos comentarios al autor, puede enviarme un correo electrónico.

Expresiones de gratitud

Este repositorio es una implementación no oficial de Pytorch de la segmentación médica en 3D y 2D y altamente basada en MedicalZoopyTorch y Torchio. Gracias por el repositorio anterior. El proyecto se realiza con las supervisiones del Prof. Ruoxiu Xiao, el Prof. Shuang Song y el Dr. Cheng Chen. Gracias a Yoring Zhang, Daiheng Gao, Jie Zhang, Xing Tao, Weili Jiang y Shanshan Li por toda la ayuda que recibí.