Unet 项目

欢迎来到 Unet 项目！这是一个简洁而直观的 README 文件，用于指导您如何使用我们的项目。

项目概述

本项目是一个调整后的Unet框架。该项目旨在作为医学图像域适应分割的基本框架，在单模态训练下具有较为优越的性能，同时能适应医学图像数据稀缺的问题。

特点

• 抗过拟合能力：可在原始数据量少于600的情况下取得较好的分割效果
• 良好的可扩展性：提供了灵活的数据预处理框架，支持MONAI框架下的大部分数据增强操作
• 轻量化：在保证性能的前提下尽可能减少了网络层数和特征通道数，训练和测试高效快速

1. [📌重要]环境安装

首先，创建一个新的环境并安装 requirements:

conda create -n unet python=3.10
conda activate unet
cd Unet/
conda install --yes --file requirements.txt

2.数据准备

首先，从下面的网址下载数据集：

• MMWHS 全心分割数据集: https://github.com/cchen-cc/SIFA#readme. 🚀🚀🚀 或从该网址获取预处理的数据 this link.
• Abdominal腹部数据集：CHAOS 医学影像数据集 ||Multi-Atlas Labeling Beyond the Cranial Vault - Workshop and Challenge - syn3193805 - Wiki (synapse.org)

文件结构应该如下:

.
├── data2D
│   ├── MMWHS2D
│   │   ├── CT
│   │   │   ├── ct_train
│   │   │   │   ├── ct_train_1001_image_0.npz
│   │   │   │   └── ...
│   │   │   ├── ct_val
│   │   │   │   ├── ct_val_1006_image_0.npz
│   │   │   │   └── ...
│   │   │   ├── ct_test
│   │   │   │   ├── ct_test_1009_image_0.npz
│   │   │   │   └── ...
│   │   └── MR
│   │       ├── mr_train
│   │       ├── mr_val
│   │       └── mr_test
│   └── Abdominal
│       ├── CT
│       │   ├── ct_train
│       │   │   ├── ct_train_01_image_0.npz
│       │   │   └── ...
│       │   ├── ct_val
│       │   │   ├── ct_val_01_image_0.npz
│       │   │   └── ...
│       │   ├── ct_test
│       │   │   ├── ct_test_01_image_0.npz
│       │   │   └── ...
│       └── MR
│           ├── mr_train
│           ├── mr_val
│           └── mr_test

使用方法

• 快速开始: 运行以下命令开始使用 Unet:

# 训练
python train.py --mode CT --gpu 2 -c 5
"""
--mode 训练集模态：[CT,MR,ABCT,ABMR]
--gpu 训练指定显卡
-c 分割类别（包含背景）
"""
# 测试
python test.py --test_mode MR --train_mode CT --gpu 0 --checkpoint 177 178 179
"""
--test_mode 测试集模态：[CT,MR,ABCT,ABMR]
--train_mode 训练集模态：[CT,MR,ABCT,ABMR]
--gpu 训练指定显卡
--checkpoint 要测试的权重文件epoch序号
"""

贡献

我们欢迎任何形式的贡献，包括但不限于：

• 代码提交
• 问题报告
• 文档改进

许可

本项目采用MIT许可证，详情参见LICENSE 文件。

联系我们

• 问题和帮助: 如果您有任何问题或需要帮助，请提交一个 GitHub Issue。
• 讨论: 我们使用Discussions来讨论更广泛的话题。
• 邮件: 您可以通过邮件联系我们：[email protected]。

致谢

我们的代码是从Pytorch-UNet修改而来，感谢这些作者的出色工作，希望我们的代码也能推动相关领域的发展