TriD

? Trésor dans la distribution: une généralisation du domaine multi-source basé sur la randomisation du domaine pour la segmentation de l'image médicale 2D (TRID)

Il s'agit de la mise en œuvre officielle de Pytorch de notre article Miccai 2023 "Treasure in Distribution: A Domain Randomisation Basé Généralisation du domaine de source pour la segmentation d'image médicale 2D". Dans cet article, nous proposons une méthode de généralisation du domaine multi-source appelé Treasure in Distribution (TRID) pour construire un espace de recherche sans précédent pour la randomisation du domaine de l'espace de fonction.

Exigences

Python 3.7
Pytorch 1.8.0

Usage

Installation

• Cloner ce repo

 git clone https://github.com/Chen-Ziyang/TriD.git
cd TriD/TriD-master

Préparation des données

Segmentation OD / OC
Segmentation de la prostate

Segmentation OD / OC

Nous prenons le scénario en utilisant Binrushed (domaine cible) et quatre autres ensembles de données (domaines source) comme exemple.

 cd OPTIC
# Training
CUDA_VISIBLE_DEVICES=0 python main.py --mode train_DG --mixstyle_layers layer1 layer2 --random_type TriD --Target_Dataset BinRushed --Source_Dataset Magrabia REFUGE ORIGA Drishti_GS
# Test
CUDA_VISIBLE_DEVICES=0 python main.py --mode single_test --load_time TIME_OF_MODEL --Target_Dataset BinRushed

Segmentation de la prostate

Nous prenons le scénario à l'aide de BMC (domaine cible) et des cinq autres ensembles de données (domaines source) comme exemple.

 cd PROSTATE
# Training
CUDA_VISIBLE_DEVICES=0 python main.py --mode train_DG --mixstyle_layers layer1 layer2 --random_type TriD --Target_Dataset BMC --Source_Dataset BIDMC HK I2CVB RUNMC UCL
# Test
CUDA_VISIBLE_DEVICES=0 python main.py --mode single_test --load_time TIME_OF_MODEL --Target_Dataset BMC

Reconnaissance

Une partie du code est révisée à partir de l'implémentation Pytorch de DOCR.

Citation ✏️?

Si vous trouvez ce dépôt utile pour vos recherches, veuillez envisager de citer le document comme suit:

 @inproceedings{chen2023treasure,
  title={Treasure in distribution: a domain randomization based multi-source domain generalization for 2d medical image segmentation},
  author={Chen, Ziyang and Pan, Yongsheng and Ye, Yiwen and Cui, Hengfei and Xia, Yong},
  booktitle={International Conference on Medical Image Computing and Computer-Assisted Intervention},
  pages={89--99},
  year={2023},
  organization={Springer}
}