noemook / medical-imaging-segmentation-a-topic-exploration

Medical Imaging Segmentation

TODO:

Avec ordre de priorité:

• [Présentation] Recherche sur la partie technique de la lib pytorch et de sa gestion sur les devices bas niveau

  • Cours sur l'entrainement couche par couche sur notre cas d'étude
  • Gestion des devices avec torch
  • Les différences avec tensorflow et Keras (*)

• [Technique] Avancer sur le fine-tuning pur et comment l'améliorer

  • Fine Tunner le modèle sur 90% du dataset & Analyser les performances sur 10% de validation
  • Conserver 6 images pour la validations post-entrainement
  • Paralléliser le training one-epoch

• [Data] Augmentation du dataset initial

  • Ajout de la data augmentation pour générer plus de données
  • Fine Tunner avec la data augmentée
  • Comparaison des résultats entre phase 1 (sans data augmentation) et phase 2 (avec data augmentation)

[Historique]

• Fonction de mélange des images et masks pour éviter les gradients identiques entre les batchs
• Per Epochs training pour l'ajout du fine-tuning
• Adaptation des libs d'affichages pour la détections du format des images

Installation

1. Installer pyenv (pyenv-win si Windows)
2. Installer un environnement en python 3.11 (cf. doc de pyenv pour initialiser la version)
3. Création d'un environnement local clos pour le développement

python -m venv .venv

4. Installation des dépendances

# activation de l'environnement local
.\.venv\Scripts\activate

pip install -r requirements.txt

Test d'installation

python
>> import torch
>> torch.cuda.is_available()
True