หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>หลาม
ดาวน์โหลด

การแบ่งส่วนทางการแพทย์ของ Pytorch

อ่านบทนำภาษาจีน： ที่นี่！

หมายเหตุ

เรากำลังวางแผนการอัปเดตที่สำคัญสำหรับรหัสในอนาคตอันใกล้ดังนั้นหากคุณมีคำแนะนำใด ๆ โปรดส่งอีเมลถึงฉันหรือพูดถึงพวกเขาในประเด็นนี้

อัปเดตล่าสุด

  • 2021.1.8 รหัสรถไฟและการทดสอบถูกปล่อยออกมา
  • 2021.2.6 ข้อผิดพลาดในลูกเต๋าได้รับการแก้ไขด้วยความช่วยเหลือของ Shanshan Li
  • 2021.2.24 มีการเปิดตัววิดีโอ (https://www.bilibili.com/video/bv1gp4y1h7kq/)
  • 2021.5.16 ข้อผิดพลาดในการใช้งาน UNET3D ได้รับการแก้ไข
  • 2021.5.16 รหัสเมตริกถูกปล่อยออกมา
  • 2021.6.24 พารามิเตอร์ทั้งหมดสามารถปรับได้ใน hparam.py
  • 2021.7.7 ตอนนี้คุณสามารถอ้างอิงการจำแนกประเภททางการแพทย์ในการจำแนกประเภทการแพทย์ pytorch
  • 2022.5.15 ตอนนี้คุณสามารถอ้างอิงการเรียนรู้แบบกึ่งผู้ดูแลการแบ่งส่วนทางการแพทย์ใน SSL-for-medical-segmentation
  • 2022.5.17 เราอัปเดตรหัสการฝึกอบรมและการอนุมานและแก้ไขข้อบกพร่องบางอย่าง

ความต้องการ

  • Pytorch1.7
  • Torchio <= 0.18.20
  • Python> = 3.6

สังเกต

  • คุณสามารถปรับเปลี่ยน HPARAM.PY เพื่อตรวจสอบว่าการแบ่งส่วน 2D หรือ 3D และเป็นไปได้ที่จะเป็นไปได้หรือไม่
  • เราให้บริการอัลกอริทึมสำหรับการแบ่งส่วน 2D และ 3D เกือบทั้งหมด
  • ที่เก็บนี้เข้ากันได้กับรูปแบบข้อมูลทางการแพทย์เกือบทั้งหมด (เช่น nii.gz, Nii, MHD, nrrd, ... ) โดยการปรับเปลี่ยน fold_arch ใน hparam.py ของการกำหนดค่า ฉันต้องการให้คุณแปลงทั้งภาพแหล่งที่มาและฉลากเป็นประเภทเดียวกันก่อนที่จะใช้พวกเขาโดยที่ฉลากจะถูกทำเครื่องหมายด้วย 1 ไม่ใช่ 255
  • หากคุณต้องการใช้โปรแกรม หลายหมวดหมู่ โปรดแก้ไขรหัสที่เกี่ยวข้องด้วยตัวเอง ฉันไม่สามารถระบุหมวดหมู่เฉพาะของคุณได้
  • ไม่ว่าจะเป็นใน 2D หรือ 3D โครงการนี้จะถูกประมวลผลโดยใช้ แพตช์ ดังนั้นรูปภาพไม่จำเป็นต้องมีขนาดเท่ากันอย่างเคร่งครัด อย่างไรก็ตามใน 2D คุณควรตั้งค่าแพทช์ให้ใหญ่พอ

เตรียมชุดข้อมูลของคุณ

ตัวอย่างที่ 1

หากชุดข้อมูลต้นฉบับของคุณคือ: 

 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
└── ...

และชุดข้อมูลฉลากของคุณคือ: 

 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
└── ...

จากนั้นคุณควรแก้ไข fold_arch เป็น *.mhd , source_train_dir เป็น source_dataset และ label_train_dir เป็น label_dataset ใน hparam.py

ตัวอย่าง 2

หากชุดข้อมูลต้นฉบับของคุณคือ: 

 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
└── ...

และชุดข้อมูลฉลากของคุณคือ: 

 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
└── ...

จากนั้นคุณควรแก้ไข fold_arch เป็น */ *. mhd , source_train_dir เป็น source_dataset และ label_train_dir เป็น label_dataset ใน hparam.py

การฝึกอบรม

  • โดยไม่ต้องมีโมเดล pretrained 
 set hparam.train_or_test to 'train'
python main.py
  • ด้วยรูปแบบ pretrained 
 set hparam.train_or_test to 'train'
python main.py -k True

การอนุมาน

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

ตัวอย่าง

บทเรียน

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

เสร็จแล้ว

เครือข่าย

  • 2d
  • อาน
  • unet ++
  • miniseg
  • segnet
  • PSPNET
  • Highresnet (คัดลอกจาก https://github.com/fepegar/highresnet ขอบคุณ Fepegar สำหรับความเอื้ออาทรของคุณ!)
  • Deeplab
  • FCN
  • 3D
  • unet3d
  • ส่วนที่เหลือ 3D
  • densevoxelnet3d
  • FCN3D
  • vnet3d
  • Highresnert (คัดลอกจาก https://github.com/fepegar/highresnet ขอบคุณ Fepegar สำหรับความเอื้ออาทรของคุณ!)
  • densenet3d
  • unetr (คัดลอกจาก https://github.com/tamasino52/unetr)

ตัวชี้วัด

  • Metrics.py เพื่อประเมินผลลัพธ์ของคุณ

สิ่งที่ต้องทำ

  • ชุดข้อมูล
  • เกณฑ์มาตรฐาน
  • ผู้ที่ไม่ได้อยู่ในระดับสูง

อนึ่ง

โครงการนี้ไม่สมบูรณ์แบบและยังมีปัญหามากมาย หากคุณใช้โครงการนี้และต้องการให้ข้อเสนอแนะแก่ผู้เขียนคุณสามารถส่งอีเมลถึงฉันได้

กิตติกรรมประกาศ

พื้นที่เก็บข้อมูลนี้เป็นการดำเนินการด้านการแบ่งส่วนทางการแพทย์ในแบบ 3 มิติและ 2D และมีพื้นฐานมาจาก Medicalzoopytorch และ Torchio ขอบคุณสำหรับ repo ข้างต้น โครงการนี้ทำกับการกำกับดูแลของศาสตราจารย์ Ruoxiu Xiao, Prof. Shuang Song และ Dr. Cheng Chen ขอบคุณคุณจาง, Daiheng Gao, Jie Zhang, Xing Tao, Weili Jiang และ Shanshan Li สำหรับความช่วยเหลือทั้งหมดที่ฉันได้รับ

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด