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。
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。
- 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
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
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
- 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
"""
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
本项目采用MIT许可证,详情参见LICENSE 文件。
- 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]。
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