Pytorch Medical Segmentation

Segmentação médica de Pytorch

Leia a introdução chinesa: aqui！

Notas

Estamos planejando uma grande atualização para o código em um futuro próximo; portanto, se você tiver alguma sugestão, sinta -se à vontade para me enviar um e -mail ou mencioná -las no problema.

Atualizações recentes

• 2021.1.8 Os códigos de trem e teste são liberados.
• 2021.2.6 Um bug nos dados foi corrigido com a ajuda de Shanshan Li.
• 2021.2.24 Um tutorial em vídeo foi lançado (https://www.bilibili.com/video/bv1gp4y1h7kq/).
• 2021.5.16 Um bug no implemento UNET3D foi corrigido.
• 2021.5.16 O código métrico foi liberado.
• 2021.6.24 Todos os parâmetros podem ser ajustados em hparam.py.
• 2021.7.7 Agora você pode consultar a classificação médica em Pytorch-Classification
• 2022.5.15 Agora você pode consultar um aprendizado semi-supervisionado sobre segmentação médica em segmentação SSL-For-Medical
• 2022.5.17 Atualizamos o código de treinamento e inferência e corrigimos alguns bugs.

Requisitos

• Pytorch1.7
• Torchio <= 0,18.20
• python> = 3.6

Perceber

• Você pode modificar o hparam.py para determinar se a segmentação 2D ou 3D e se o multicinggorização é possível.
• Fornecemos algoritmos para quase toda a segmentação 2D e 3D.
• Este repositório é compatível com quase todos os formatos de dados médicos (por exemplo, nii.gz, nii, mhd, nrrd, ...), modificando dobr_arch em hparam.py da configuração. Gostaria que você converta as imagens de origem e etiqueta para o mesmo tipo antes de usá -las, onde os rótulos são marcados com 1, não 255.
• Se você deseja usar um programa de várias categorias , modifique os códigos correspondentes sozinho. Não consigo identificar suas categorias específicas.
• Seja em 2D ou 3D, este projeto é processado usando o patch . Portanto, as imagens não precisam ser estritamente do mesmo tamanho. Em 2D, no entanto, você deve definir o patch grande o suficiente.

Prepare seu conjunto de dados

Exemplo1

Se o seu conjunto de dados de origem for:

 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
└── ...

E o conjunto de dados do seu rótulo é:

 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
└── ...

então você deve modificar dobr_arch como *.mhd , fonte_train_dir como fonte_dataSet e label_train_dir como label_dataset em hparam.py

Exemplo2

Se o seu conjunto de dados de origem for:

 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
└── ...

E o conjunto de dados do seu rótulo é:

 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
└── ...

então você deve modificar dobr_arch como * / *.

Treinamento

• sem modelo pré-treinado

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

• com modelo pré-treinado

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

Inferência

• teste

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

Exemplos

Tutoriais

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

Feito

Rede

• 2d

• UNET
• UNET ++
• Miniseg
• Segnet
• PSPNET
• highresnet (cópia de https://github.com/fepegar/highresnet, obrigado a Fepegar por sua generosidade!)
• Deeplab
• fcn

• 3d

• UNET3D
• residual-unet3d
• Densevoxelnet3d
• fcn3d
• vnet3d
• HighResnert (cópia de https://github.com/fepegar/highresnet, obrigado a Fepegar por sua generosidade!)
• Densenet3d
• UNRET (cópia de https://github.com/tamasino52/unetr)

Métrica

• metrics.py para avaliar seus resultados

PENDÊNCIA

• conjunto de dados
• benchmark
• nnunet

Por falar nisso

Este projeto não é perfeito e ainda há muitos problemas. Se você estiver usando este projeto e gostaria de dar ao autor alguns feedbacks, pode me enviar um email.

Agradecimentos

Este repositório é uma implementação não oficial de segmentação médica em 3D e 2D e altamente baseada em MedicalZoopytorch e Torchio. Obrigado pelo repositório acima. O projeto é realizado com as supervisões do Prof. Ruoxiu Xiao, Prof. Shuang Song e Dr. Cheng Chen. Obrigado a você, Zhang, Daiheng Gao, Jie Zhang, Xing Tao, Weili Jiang e Shanshan Li por toda a ajuda que recebi.