Pytorch Medical Segmentation

Segmentation médicale pytorch

Lire l'introduction chinoise: ici！！

Notes

Nous prévoyons une mise à jour majeure du code dans un avenir proche, donc si vous avez des suggestions, n'hésitez pas à m'envoyer un e-mail ou à les mentionner dans le numéro.

Mises à jour récentes

• 2021.1.8 Les codes de train et de test sont libérés.
• 2021.2.6 Un bogue en dés a été corrigé avec l'aide de Shanshan Li.
• 2021.2.24 Un tutoriel vidéo a été publié (https://www.bilibili.com/video/bv1gp4y1h7kq/).
• 2021.5.16 Un bogue dans l'implémentation Unet3d a été corrigé.
• 2021.5.16 Le code métrique est publié.
• 2021.6.24 Tous les paramètres peuvent être ajustés dans hparam.py.
• 2021.7.7 Maintenant, vous pouvez référer une classification médicale dans la classification Pytorch-Medical
• 2022.5.15 Maintenant, vous pouvez référer un apprentissage semi-supervisé sur la segmentation médicale dans la segmentation SSL-for-médicale
• 2022.5.17 Nous mettons à jour le code de formation et d'inférence et corrigeons certains bogues.

Exigences

• pytorch1.7
• torchio <= 0,18,20
• Python> = 3,6

Avis

• Vous pouvez modifier HPARAM.PY pour déterminer si la segmentation 2D ou 3D et si la multicategorisation est possible.
• Nous fournissons des algorithmes pour presque toutes les segments 2D et 3D.
• Ce référentiel est compatible avec presque tous les formats de données médicaux (par exemple nii.gz, nii, mhd, nrrd, ...), en modifiant Fold_arch dans hparam.py de la configuration. J'aimerais que vous convertissiez les images source et étiquetez le même type avant de les utiliser, où les étiquettes sont marquées avec 1, pas 255.
• Si vous souhaitez utiliser un programme multi-catégories , veuillez modifier vous-même les codes correspondants. Je ne peux pas identifier vos catégories spécifiques.
• Que ce soit en 2D ou 3D, ce projet est traité à l'aide du patch . Par conséquent, les images ne doivent pas être strictement de la même taille. En 2D, cependant, vous devez régler le patch suffisamment grand.

Préparez votre ensemble de données

Exemple1

Si votre ensemble de données source est:

 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
└── ...

Et votre ensemble de données d'étiquette est:

 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
└── ...

Ensuite, vous devez modifier Fold_arch comme * .mhd , source_train_dir en tant que source_dataset et label_train_dir en tant que label_dataset dans hparam.py

Exemple2

Si votre ensemble de données source est:

 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
└── ...

Et votre ensemble de données d'étiquette est:

 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
└── ...

Ensuite, vous devez modifier Fold_arch comme * / *. Mhd , source_train_dir en tant que source_dataset et label_train_dir en tant que label_dataset dans hparam.py

Entraînement

• sans modèle pré-entraîné

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

• avec un modèle pré-entraîné

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

Inférence

• essai

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

Exemples

Tutoriels

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

Fait

Réseau

• 2d

• NONET
• Unet ++
• missile
• borne
• pspnet
• HighResnet (Copie depuis https://github.com/fegar/highresnet, merci à Fepegar pour votre générosité!)
• profondeur
• FCN

• 3D

• Unet3d
• résiduel-unt3d
• densevoxelnet3d
• fcn3d
• vnet3d
• HighResnert (Copier à partir de https://github.com/fegar/highresnet, merci à Fepegar pour votre générosité!)
• densenet3d
• Unetr (copie depuis https://github.com/tamasino52/unetr)

Métrique

• metrics.py pour évaluer vos résultats

FAIRE

• ensemble de données
• référence
• nnunet

D'ailleurs

Ce projet n'est pas parfait et il y a encore beaucoup de problèmes. Si vous utilisez ce projet et que vous souhaitez donner des commentaires à l'auteur, vous pouvez m'envoyer un e-mail.

Remerciements

Ce référentiel est une implémentation non officielle pytorch de la segmentation médicale en 3D et 2D et fortement basée sur Medicalzoopytorch et Torchio. Merci pour le dépôt ci-dessus. Le projet est réalisé avec les supervisions du professeur Ruoxiu Xiao, du professeur Shuang Song et du Dr Cheng Chen. Merci à vous-même Zhang, Daiheng Gao, Jie Zhang, Xing Tao, Weili Jiang et Shanshan Li pour toute l'aide que j'ai reçue.