Medical Transformer
1.0.0
รหัส Pytorch สำหรับกระดาษ "หม้อแปลงการแพทย์: ความสนใจตามแนวแกนรั้วรอบขอบชิดสำหรับการแบ่งส่วนภาพทางการแพทย์", Miccai 2021
กระดาษ | โปสเตอร์
: เช็คเอาต์งานล่าสุดของเรา UNEXT สถาปัตยกรรมการแบ่งส่วนที่เร็วขึ้นและมีประสิทธิภาพมากขึ้นซึ่งเป็นเรื่องง่ายที่จะฝึกอบรมและนำไปใช้! รหัสมีอยู่ที่นี่
repo นี้โฮสต์รหัสสำหรับเครือข่ายต่อไปนี้:
สถาปัตยกรรมเครือข่ายที่ใช้หม้อแปลงที่มีอยู่ส่วนใหญ่ที่เสนอสำหรับแอปพลิเคชันวิสัยทัศน์จำเป็นต้องมีชุดข้อมูลขนาดใหญ่เพื่อฝึกอบรมอย่างถูกต้อง อย่างไรก็ตามเมื่อเทียบกับชุดข้อมูลสำหรับแอปพลิเคชันการมองเห็นสำหรับการถ่ายภาพทางการแพทย์จำนวนตัวอย่างข้อมูลค่อนข้างต่ำทำให้ยากที่จะฝึกอบรมหม้อแปลงสำหรับการใช้งานทางการแพทย์อย่างมีประสิทธิภาพ ด้วยเหตุนี้เราจึงเสนอรูปแบบการกระทำตามแนวแกนที่มีรั้วรอบขอบชิดซึ่งขยายสถาปัตยกรรมที่มีอยู่โดยการแนะนำกลไกการควบคุมเพิ่มเติมในโมดูลการกระทำด้วยตนเอง นอกจากนี้ในการฝึกอบรมแบบจำลองได้อย่างมีประสิทธิภาพในภาพทางการแพทย์เราเสนอการฝึกอบรมแบบโลกาภิวัตน์ในท้องถิ่น (โลโก้) ซึ่งช่วยปรับปรุงประสิทธิภาพการทำงานต่อไป โดยเฉพาะเราใช้ภาพและแพทช์ทั้งหมดเพื่อเรียนรู้คุณสมบัติระดับโลกและท้องถิ่นตามลำดับ หม้อแปลงการแพทย์ที่เสนอ (MEDT) ใช้กลยุทธ์การฝึกโลโก้ในการให้ความสนใจตามแนวแกนรั้วรอบขอบชิด U-Net
git clone https://github.com/jeya-maria-jose/Medical-Transformer
cd Medical-Transformerรหัสมีความเสถียรโดยใช้ Python 3.6.10, Pytorch 1.4.0
ในการติดตั้งการพึ่งพาทั้งหมดโดยใช้ Conda:
conda env create -f environment.yml
conda activate medtในการติดตั้งการพึ่งพาทั้งหมดโดยใช้ PIP:
pip install -r requirements.txtเตรียมชุดข้อมูลในรูปแบบต่อไปนี้เพื่อใช้งานรหัสได้ง่าย โฟลเดอร์รถไฟและทดสอบควรมีโฟลเดอร์ย่อยสองโฟลเดอร์แต่ละอัน: IMG และฉลาก ตรวจสอบให้แน่ใจว่าภาพมาสก์เซกเมนต์ที่สอดคล้องกันของพวกเขาถูกวางไว้ใต้โฟลเดอร์เหล่านี้และมีชื่อเดียวกันเพื่อการติดต่อที่ง่าย โปรดเปลี่ยนตัวโหลดข้อมูลเป็นความต้องการของคุณหากคุณไม่ต้องการเตรียมชุดข้อมูลในรูปแบบนี้
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
.......
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 thempython 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 "ผลลัพธ์รวมถึงแผนที่การแบ่งส่วนที่คาดการณ์ไว้จะถูกวางไว้ในโฟลเดอร์ผลลัพธ์พร้อมกับน้ำหนักของแบบจำลอง เรียกใช้รหัสตัวชี้วัดประสิทธิภาพใน MATLAB สำหรับการคำนวณคะแนน F1 และ MIOU
1) โปรดทราบว่าการทดลองเหล่านี้ดำเนินการใน Nvidia Quadro 8000 ด้วยหน่วยความจำ 48 GB 2) รหัส Google Colab เป็นการใช้งานอย่างไม่เป็นทางการสำหรับรถไฟ/ทดสอบอย่างรวดเร็ว โปรดติดตามรหัสต้นฉบับสำหรับการฝึกอบรมที่เหมาะสม
รหัส Dataloader ได้รับแรงบันดาลใจจาก Pytorch-Unet รหัสความสนใจตามแนวแกนได้รับการพัฒนาจาก Axial-Deeplab
@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 "
}
เปิดปัญหาหรือส่งอีเมลถึงฉันโดยตรงในกรณีที่มีการสืบค้นหรือคำแนะนำใด ๆ
