Pytorch Medical Segmentation

Медицинская сегментация Pytorch

Читайте китайское введение ： здесь！

Примечания

Мы планируем основное обновление кода в ближайшем будущем, поэтому, если у вас есть какие -либо предложения, пожалуйста, не стесняйтесь написать мне или упомянуть их в этом вопросе.

Последние обновления

• 2021.1.8 Тестовые и тестовые коды выпущены.
• 2021.2.6 Ошибка в кости была исправлена с помощью Shanshan Li.
• 2021.2.24 Был выпущен видеоурок (https://www.bilibili.com/video/bv1gp4y1h7kq/).
• 2021.5.16 Ошибка в реализации Unet3d была исправлена.
• 2021.5.16 Метрический код выпускается.
• 2021.6.24 Все параметры могут быть скорректированы в hparam.py.
• 2021.7.7 Теперь вы можете направить медицинскую классификацию в классе Pytorch Medical
• 2022.5.15 Теперь вы можете направить полупрозрачное обучение по медицинской сегментации в SSL-For-Medical-сегментацию
• 2022.5.17 Мы обновляем код обучения и вывода и исправляем некоторые ошибки.

Требования

• Pytorch1.7
• Торчио <= 0,18,20
• Python> = 3,6

Уведомление

• Вы можете изменить hparam.py , чтобы определить, возможна ли 2D или 3D сегментация и возможна многотекальная господство.
• Мы предоставляем алгоритмы для почти всех 2D и 3D сегментации.
• Этот репозиторий совместим почти со всеми форматами медицинских данных (например, NII.GZ, NII, MHD, NRRD, ...), путем изменения fold_arch в hparam.py из конфигурации. Я хотел бы, чтобы вы преобразовали изображения источника и метки в один и тот же тип перед их использованием, где этикетки отмечены 1, а не 255.
• Если вы хотите использовать многокатегорийную программу, пожалуйста, измените соответствующие коды самостоятельно. Я не могу определить ваши конкретные категории.
• Будь то в 2D или 3D, этот проект обрабатывается с использованием патча . Следовательно, изображения не должны быть строго такого же размера. Однако в 2D вы должны установить патч достаточно большой.

Подготовьте свой набор данных

Пример1

Если ваш набор данных источника:

 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
└── ...

и ваш набор данных на этикетке:

 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
└── ...

Затем вы должны изменить fold_arch как *.mhd , source_train_dir as source_dataset и label_train_dir как label_dataset в hparam.py

Пример2

Если ваш набор данных источника:

 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
└── ...

и ваш набор данных на этикетке:

 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
└── ...

Затем вы должны изменить fold_arch как */ *. Mhd , source_train_dir as source_dataset и label_train_dir as label_dataset в hparam.py

Обучение

• без предварительной модели

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

• с предварительной моделью

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

Вывод

• тестирование

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

Примеры

Учебные пособия

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

Сделанный

Сеть

• 2d

• ун
• unet ++
• Минисег
• Segnet
• Pspnet
• Highresnet (копирование с https://github.com/fepegar/highresnet, спасибо Fepegar за вашу щедрость!)
• Deeplab
• FCN

• 3d

• Unet3d
• Остаток-UNET3D
• densevoxelnet3d
• fcn3d
• Vnet3d
• Highresnert (копия с https://github.com/fepegar/highresnet, спасибо Fepegar за вашу щедрость!)
• Densenet3d
• UNETR (копия от https://github.com/tamasino52/unetr)

Показатель

• metrics.py для оценки ваших результатов

Тодо

• набор данных
• эталон
• Nnunet

Кстати

Этот проект не идеален, и есть еще много проблем. Если вы используете этот проект и хотели бы дать автору некоторые отзывы, вы можете отправить мне электронное письмо.

Благодарности

Этот репозиторий представляет собой неофициальную внедрение медицинской сегментации Pytorch в 3D и 2D и высоко основываясь на Medicalzoopytorch и Torchio. Спасибо за вышеупомянутое репо. Проект осуществляется с надзором профессора Руосиу Сяо, профессора Шуанга Сонг и доктора Ченга Чена. Спасибо тебе, Чжан, Дайхенг Гао, Цзе Чжан, Син Тао, Вейли Цзян и Шаншан Ли за всю помощь, которую я получил.