Medical Transformer下載 - Medical Transformer源代碼下載

Medical Transformer

Python

1.0.0

下載

醫療轉變器

PYTORCH代碼“醫療變壓器：醫學圖像分割的封閉式軸向注意”，Miccai 2021

紙|海報

消息：

：結帳我們的最新作品《 Unext》，這是一種更快，更高效的細分體系結構，也很容易訓練和實施！代碼可在此處使用。

關於此存儲庫：

此存儲庫託管以下網絡的代碼：

門控軸向注意U-net
梅特

介紹

為視覺應用程序提出的大多數基於變壓器的網絡體系結構都需要大規模數據集進行正確的訓練。但是，與視力應用程序的數據集相比，用於醫學成像的數據樣本數量相對較低，因此很難有效地訓練用於醫療應用的變壓器。為此，我們提出了一個封閉式的軸向注意模型，該模型通過在自我發項式模塊中引入附加的控制機制來擴展現有體系結構。此外，為了在醫學圖像上有效地訓練該模型，我們提出了局部全球培訓策略（徽標），從而進一步改善了性能。具體而言，我們分別在整個圖像和補丁上進行操作，以分別學習全球和本地特徵。擬議的醫療變壓器（MEDT）在封閉式軸向注意U-NET上使用徽標訓練策略。

使用代碼：

克隆這個存儲庫：

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

該代碼使用Python 3.6.10，Pytorch 1.4.0穩定。

使用Conda安裝所有依賴項：

conda env create -f environment.yml
conda activate medt

使用PIP安裝所有依賴項：

pip install -r requirements.txt

下載公共數據集的鏈接：

Monuseg數據集 - 鏈接（原始）
GLAS數據集 - 鏈接（原始）
紙張中的大腦解剖學數據集將很快公開！

使用數據集的代碼

數據集準備

以以下格式準備數據集，以方便使用代碼。火車和測試文件夾應包含兩個子文件夾：IMG和標籤。確保將圖像放置在這些文件夾下方，並具有相同的名稱，以便於通信。如果您不想以這種格式準備數據集，請更改數據加載程序。

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
          .......

地面真相圖像應具有與標籤相對應的像素。示例：在二進制分割的情況下，GT中的像素應為0或255。

培訓命令：

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

測試命令：

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 "

包括預測的分割圖在內的結果將與模型權重一起放置在結果文件夾中。在MATLAB中運行性能指標代碼以計算F1分數和MIOU。

筆記：

1）請注意，這些實驗是在Nvidia Quadro 8000中進行48 GB內存進行的。 2）Google Colab代碼是用於快速火車/測試的非官方實施。請按照原始代碼進行適當的培訓。

確認：

數據加載代碼是從Pytorch-Unet啟發的。軸向注意代碼是從軸向深度列布開發的。

引用：

@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 "
}