Unduhan Medical Transformer - Unduh Kode Sumber Medical Transformer

Medical Transformer

ular piton

1.0.0

Unduh

Transformer medis

Kode Pytorch untuk kertas "Transformator Medis: Gated-Acial-Intention for Medical Image Segmentation", Miccai 2021

Kertas | Poster

Berita:

: Lihat unext kerja terbaru kami, arsitektur segmentasi yang lebih cepat dan lebih efisien yang juga mudah dilatih dan diimplementasikan! Kode tersedia di sini.

Tentang repo ini:

Repo ini meng -host kode untuk jaringan berikut:

Perhatian aksial yang terjaga keamanan u-net
Medt

Perkenalan

Mayoritas arsitektur jaringan berbasis transformator yang ada yang diusulkan untuk aplikasi visi memerlukan kumpulan data skala besar untuk dilatih dengan benar. Namun, dibandingkan dengan set data untuk aplikasi penglihatan, untuk pencitraan medis jumlah sampel data relatif rendah, sehingga sulit untuk melatih transformator secara efisien untuk aplikasi medis. Untuk tujuan ini, kami mengusulkan model perhatian aksial yang terjaga keamanannya yang memperluas arsitektur yang ada dengan memperkenalkan mekanisme kontrol tambahan dalam modul perhatian diri. Selain itu, untuk melatih model secara efektif pada gambar medis, kami mengusulkan strategor pelatihan global lokal (logo) yang selanjutnya meningkatkan kinerja. Secara khusus, kami berpendapat pada seluruh gambar dan tambalan untuk mempelajari fitur global dan lokal, masing-masing. Transformator medis yang diusulkan (MEDT) menggunakan strategi pelatihan logo pada perhatian aksial yang terjaga keamanannya.

Menggunakan kode:

Klon Repositori ini:

git clone https://github.com/jeya-maria-jose/Medical-Transformer
cd Medical-Transformer

Kode stabil menggunakan Python 3.6.10, Pytorch 1.4.0

Untuk menginstal semua dependensi menggunakan conda:

conda env create -f environment.yml
conda activate medt

Untuk menginstal semua dependensi menggunakan PIP:

pip install -r requirements.txt

Tautan untuk Mengunduh Dataset Publik:

Dataset Monuseg - Tautan (Asli)
Glas Dataset - Link (Asli)
Dataset Otak Anatomi AS dari kertas akan segera dipublikasikan!

Menggunakan kode untuk dataset Anda

Persiapan dataset

Siapkan dataset dalam format berikut untuk memudahkan penggunaan kode. Folder kereta dan tes masing -masing harus berisi dua subfolder: IMG dan label. Pastikan gambar topeng segmentasi yang sesuai ditempatkan di bawah folder ini dan memiliki nama yang sama untuk korespondensi yang mudah. Harap ubah loader data sesuai kebutuhan Anda jika Anda lebih suka tidak menyiapkan dataset dalam format ini.

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
          .......

Gambar kebenaran tanah harus memiliki piksel yang sesuai dengan label. Contoh: Dalam hal segmentasi biner, piksel di GT harus 0 atau 255.

Perintah pelatihan:

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 them

Perintah Pengujian:

python 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 "

Hasil termasuk peta segmentasi yang diprediksi akan ditempatkan di folder hasil bersama dengan bobot model. Jalankan kode metrik kinerja di MATLAB untuk menghitung skor F1 dan MIOU.

Catatan:

1) Perhatikan bahwa percobaan ini dilakukan di NVIDIA Quadro 8000 dengan memori 48 GB. 2) Kode Google Colab adalah implementasi tidak resmi untuk kereta/tes cepat. Silakan ikuti kode asli untuk pelatihan yang tepat.

Pengakuan:

Kode Dataloader terinspirasi dari Pytorch-UNET. Kode perhatian aksial dikembangkan dari aksial-deeplab.

Kutipan:

@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 "
}