Pytorch Medical Segmentation

Segmentasi Medis Pytorch

Baca Pengantar Cina ： di sini！

Catatan

Kami merencanakan pembaruan besar untuk kode dalam waktu dekat, jadi jika Anda memiliki saran, jangan ragu untuk mengirim email kepada saya atau menyebutkannya dalam masalah ini.

Pembaruan terbaru

• 2021.1.8 Kode kereta dan pengujian dilepaskan.
• 2021.2.6 Bug dalam dadu ditetapkan dengan bantuan Shanshan Li.
• 2021.2.24 Tutorial video dirilis (https://www.bilibili.com/video/bv1gp4y1h7kq/).
• 2021.5.16 Bug dalam Implement UNET3D telah diperbaiki.
• 2021.5.16 Kode metrik dirilis.
• 2021.6.24 Semua parameter dapat disesuaikan di hparam.py.
• 2021.7.7 Sekarang Anda dapat merujuk klasifikasi medis di Pytorch-Medical-Classifikasi
• 2022.5.15 Sekarang Anda dapat merujuk pembelajaran semi-diawasi pada segmentasi medis di SSL-for-Medical-Semmentation
• 2022.5.17 Kami memperbarui kode pelatihan dan inferensi dan memperbaiki beberapa bug.

Persyaratan

• Pytorch1.7
• Torchio <= 0,18,20
• Python> = 3.6

Melihat

• Anda dapat memodifikasi hParam.py untuk menentukan apakah segmentasi 2D atau 3D dan apakah multicateGorisasi dimungkinkan.
• Kami menyediakan algoritma untuk hampir semua segmentasi 2D dan 3D.
• Repositori ini kompatibel dengan hampir semua format data medis (misalnya Nii.gz, Nii, MHD, Nrrd, ...), dengan memodifikasi Fold_arch di hparam.py dari konfigurasi. Saya ingin Anda mengonversi sumber dan memberi label gambar ke tipe yang sama sebelum menggunakannya, di mana label ditandai dengan 1, bukan 255.
• Jika Anda ingin menggunakan program multi-kategori , silakan modifikasi kode yang sesuai sendiri. Saya tidak dapat mengidentifikasi kategori spesifik Anda.
• Baik dalam 2D atau 3D, proyek ini diproses menggunakan tambalan . Oleh karena itu, gambar tidak harus memiliki ukuran yang sama. Namun, dalam 2D, Anda harus mengatur tambalan cukup besar.

Siapkan dataset Anda

Contoh1

Jika dataset sumber Anda adalah:

 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
└── ...

Dan dataset label Anda adalah:

 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
└── ...

Maka Anda harus memodifikasi fold_arch sebagai *.mhd , source_train_dir sebagai sumber_dataset dan label_train_dir sebagai label_dataset di hparam.py

Contoh2

Jika dataset sumber Anda adalah:

 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
└── ...

Dan dataset label Anda adalah:

 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
└── ...

Maka Anda harus memodifikasi fold_arch sebagai */ *. MHD , SOURCE_TRAIN_DIR as Source_dataset dan label_train_dir sebagai label_dataset di hparam.py

Pelatihan

• tanpa model pretrained

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

• dengan model pretrained

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

Kesimpulan

• pengujian

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

Contoh

Tutorial

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

Selesai

Jaringan

• 2d

• tidak ada
• Unet ++
• Miniseg
• Segnet
• pspnet
• HighResNet (Salin dari https://github.com/fepegar/highresnet, terima kasih kepada Fepegar atas kemurahan hati Anda!)
• Deeplab
• fcn

• 3d

• UNET3D
• residual-unet3d
• Densevoxelnet3d
• fcn3d
• vnet3d
• HighResnert (salin dari https://github.com/fepegar/highresnet, terima kasih kepada Fepegar atas kemurahan hati Anda!)
• Densenet3d
• UNETR (salin dari https://github.com/tamasino52/unetr)

Metrik

• metrics.py untuk mengevaluasi hasil Anda

Todo

• dataset
• Benchmark
• nnunet

Omong-omong

Proyek ini tidak sempurna dan masih banyak masalah. Jika Anda menggunakan proyek ini dan ingin memberikan umpan balik kepada penulis, Anda dapat mengirimi saya email.

Ucapan Terima Kasih

Repositori ini adalah implementasi Pytorch yang tidak resmi dari segmentasi medis dalam 3D dan 2D dan sangat didasarkan pada Medicalzoopytorch dan Torchio. Terima kasih atas repo di atas. Proyek ini selesai dengan pengawasan Prof. Ruoxiu Xiao, Prof. Shuang Song dan Dr. Cheng Chen. Terima kasih kepada YouMing Zhang, Daiheng Gao, Jie Zhang, Xing Tao, Weili Jiang dan Shanshan Li atas semua bantuan yang saya terima.