Medical Transformerのダウンロード - Medical Transformerソースコードのダウンロード

Medical Transformer

パイソン

1.0.0

ダウンロード

医療変換器

論文のPytorchコード「医療変圧器：医療画像のセグメンテーションのためのゲート軸の出席」、Miccai 2021

論文|ポスター

ニュース：

：最新の作業unextをチェックアウトします。これは、より速く、より効率的なセグメンテーションアーキテクチャであり、簡単にトレーニングして実装できます。コードはこちらから入手できます。

このレポについて：

このレポは、次のネットワークのコードをホストしています。

ゲート軸の注意u-net
Medt

導入

ビジョンアプリケーション用に提案されている既存のトランスベースのネットワークアーキテクチャの大部分は、適切にトレーニングするために大規模なデータセットが必要です。ただし、視力アプリケーションのデータセットと比較して、医療画像のためのデータサンプルの数は比較的低いため、医療用途向けにトランスを効率的に訓練することが困難です。この目的のために、自己関節モジュールに追加の制御メカニズムを導入することにより、既存のアーキテクチャを拡張するゲート軸アテンションモデルを提案します。さらに、医療画像でモデルを効果的にトレーニングするために、パフォーマンスをさらに向上させるローカルグローバルトレーニング層（ロゴ）を提案します。具体的には、それぞれグローバルな機能とローカル機能を学習するために、画像全体とパッチを使用しています。提案されたメディカルトランス（MEDT）は、ゲート軸の注意U-Netでロゴトレーニング戦略を使用しています。

コードの使用：

このリポジトリをクローンします：

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

このコードは、Python 3.6.10、Pytorch 1.4.0を使用して安定しています

Condaを使用してすべての依存関係をインストールするには：

conda env create -f environment.yml
conda activate medt

PIPを使用してすべての依存関係をインストールするには：

pip install -r requirements.txt

パブリックデータセットをダウンロードするためのリンク：

Monusegデータセット - リンク（オリジナル）
GLASデータセット - リンク（オリジナル）
脳の解剖学米国データセットからの米国データセットはまもなく公開されます！

データセットにコードを使用します

データセットの準備

コードを簡単に使用できるように、次の形式でデータセットを準備します。列車とテストフォルダーには、それぞれIMGとラベルの2つのサブフォルダーが含まれている必要があります。対応するセグメンテーションマスクの画像がこれらのフォルダーの下に配置されており、簡単な対応のために同じ名前を持っていることを確認してください。この形式でデータセットを準備したくない場合は、データローダーをニーズに変更してください。

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
          .......

グラウンドトゥルース画像には、ラベルに対応するピクセルが必要です。例：バイナリセグメンテーションの場合、GTのピクセルは0または255でなければなりません。

トレーニングコマンド：

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

テストコマンド：

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 "

予測されたセグメンテーションマップを含む結果は、モデルの重みとともに結果フォルダーに配置されます。 F1スコアとMIOUを計算するために、MATLABでパフォーマンスメトリックコードを実行します。

注：

1）これらの実験は、48 GBのメモリを備えたNvidia Quadro 8000で実施されたことに注意してください。 2）Google Colabコードは、迅速な列車/テストのための非公式の実装です。適切なトレーニングについては、元のコードに従ってください。

了承：

Dataloaderコードは、Pytorch-Unetからインスピレーションを受けています。 Axial Attentionコードは、Axial-Deeplabから開発されています。

引用：

@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 "
}