Medical Transformer 다운로드 - Medical Transformer 소스 코드 다운로드

Medical Transformer

파이썬

1.0.0

다운로드

의료 변환 자

논문에 대한 Pytorch 코드 "의료 변압기 : 의료 이미지 분할을위한 게이트 축 방향", MICCAI 2021

종이 | 포스터

소식:

: 최신 작업 Unext, 더 빠르고 효율적인 세분화 아키텍처를 확인하여 훈련 및 구현이 쉬운 것입니다! 코드는 여기에서 사용할 수 있습니다.

이 repo에 대해 :

이 repo는 다음 네트워크의 코드를 호스팅합니다.

게이트 축의 관심 u-net
메트

소개

Vision Applications에 제안 된 기존 변압기 기반 네트워크 아키텍처의 대부분은 대규모 데이터 세트가 제대로 훈련해야합니다. 그러나 비전 애플리케이션의 데이터 세트와 비교하여 의료 영상화의 경우 데이터 샘플의 수가 비교적 낮아 의료 적 지원을위한 변압기를 효율적으로 훈련하기가 어렵습니다. 이를 위해, 우리는 자체 변환 모듈에 추가 제어 메커니즘을 도입하여 기존 아키텍처를 확장하는 게이트 축 방향 분류 모델을 제안합니다. 또한, 의료 이미지에 대한 모델을 효과적으로 훈련시키기 위해, 우리는 성능을 더욱 향상시키는 로컬- 글로벌 훈련 스트레이트 (로고)를 제안합니다. 구체적으로, 우리는 전체 이미지와 패치를 각각 전 세계 및 로컬 기능을 배울 수 있습니다. 제안 된 Medical Transformer (MEDT)는 Gated Axial Attention U-Net에서 로고 교육 전략을 사용합니다.

코드 사용 :

이 저장소를 복제하십시오.

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

코드는 Python 3.6.10, Pytorch 1.4.0을 사용하여 안정적입니다

Conda를 사용하여 모든 종속성을 설치하려면 :

conda env create -f environment.yml
conda activate medt

PIP를 사용하여 모든 종속성을 설치하려면 :

pip install -r requirements.txt

공개 데이터 세트 다운로드 링크 :

Monuseg Dataset- 링크 (원본)
GLAS 데이터 세트 - 링크 (원본)
논문의 뇌 해부학 미국 데이터 세트는 곧 공개 될 것입니다!

데이터 세트의 코드 사용

데이터 세트 준비

코드를 쉽게 사용할 수 있도록 다음 형식으로 데이터 세트를 준비하십시오. 열차 및 테스트 폴더에는 각각 IMG 및 라벨의 두 개의 하위 폴더가 포함되어야합니다. 이미지의 해당 세분화 마스크 가이 폴더 아래에 배치되어 있고 쉽게 서신을 위해 동일한 이름을 가지고 있는지 확인하십시오. 이 형식으로 데이터 세트를 준비하지 않으려면 데이터 로더를 필요에 따라 변경하십시오.

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
          .......

지상 진실 이미지에는 레이블에 해당하는 픽셀이 있어야합니다. 예 : 이진 세분화의 경우 GT의 픽셀은 0 또는 255 여야합니다.

훈련 명령 :

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

테스트 명령 :

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 "

예측 된 세분화 맵을 포함한 결과는 모델 가중치와 함께 결과 폴더에 배치됩니다. F1 점수 및 MIOU를 계산하기 위해 MATLAB에서 성능 메트릭 코드를 실행하십시오.

참고 :

1)이 실험은 48GB 메모리로 NVIDIA Quadro 8000에서 수행되었다. 2) Google Colab 코드는 빠른 열차/테스트를위한 비공식 구현입니다. 적절한 교육을 위해 원본 코드를 따르십시오.

승인:

Dataloader 코드는 Pytorch-Unet에서 영감을 얻었습니다. 축 삽입 코드는 축 방향-디 플랩에서 개발되었습니다.

소환:

@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 "
}