felixshing / medseg

基于paddle的医学影像分割框架

medSeg

仿照百度PaddleSeg结构实现的一个医学影像方向分割任务开发套件。主要目标是实现多种2D和3D网络，多种loss和数据增强策略。目前项目还在开发中，但是已经能在肝脏分割场景下做到 .94 的IOU。2.5D P-Unet项目基于这个套件实现。开发计划见Project

项目结构

medseg 项目主体

• prep_3d.py prep_2d.py 分别对3D和2D的输入数据进行预处理，形成npy格式的训练数据
• loss.py 定义loss
• models 定义模型
• aug.py 定义数据增强方法
• train.py 训练网络
• infer.py 用训练完的模型进行推理
• vis.py 对数据进行可视化
• eval.py 对分割结果进行评估

tool 工具脚本

• merge.py 将针对同一个数据的多个前景分割结果进行融合
• thresh_search.py 利用验证集搜索最合适的结果划分阈值
• vote.py 利用投票的方式进行多个分割结果的融合
• zip_dataset.py 对数据集进行分包压缩，满足每个包不超过一定大小，解压后可以还原目录结构

config 配置文件

所有配置参考config.py

使用方法

配置环境

安装环境依赖:

pip install -r requirements.txt

paddle框架的安装参考paddle官网 如果进行训练需要有数据，目前项目主要面向lits调试，在aistudio上可以找到。训练集 测试集

数据集下载，解压之后将所有的训练集volume放到一个文件夹，所有的训练集label放到一个文件夹，测试集volume放到一个文件夹。修改 lits.yaml 中对应的路径。

预处理

配置完毕需要首先进行数据预处理，这里主要是将数据统一成npz格式，方便后续训练。也可以在这一步结合一些预处理步骤对3D CT数据可以做窗口化，3D旋转。

python medseg/prep_3d.py -c config/lits.yaml

训练

网络用预处理后的数据进行训练，训练提供一些参数，-h 可以显示。如果用的是cpu版本的paddle，不要添加 --use_gpu 参数。

python medseg/train.py -c config/lits.yaml --use_gpu --do_eval

预测

最后一步是用训练好的网络进行预测，要配置好模型权重的路径，按照上一步实际输出的路径进行修改。代码会读取inference路径下所有的nii逐个进行预测。目前支持的数据格式有 .nii, .nii.gz。

python infer.py -c config/lits.yaml --use_gpu

这个项目在aistudio中有完整的环境，fork项目可以直接运行，项目地址中运行

更新日志

• 2020.6.21 v0.2.0

• 项目整体修改为使用配置文件，丰富功能，增加可视化

• 2020.5.1 v0.1.0

• 在lits数据集上跑通预处理，训练，预测脚本

如项目使用中有任何问题，欢迎加入 Aistudio医学兴趣组，在群中提问，也可以和更多大佬一起学习和进步。