TriD

？分布の宝物：2D医療画像セグメンテーションのためのドメインランダム化ベースのマルチソースドメイン一般化（TRID）

これは、Miccai 2023 Paperの公式Pytorch実装「分布における宝物：2D医療画像セグメンテーションのためのドメインランダム化ベースのマルチソースドメイン一般化」です。このホワイトペーパーでは、機能空間ドメインのランダム化のための前例のない検索スペースを構築するために、分布のトレジャー（TRID）と呼ばれるマルチソースドメイン一般化方法を提案します。

要件

Python 3.7
Pytorch 1.8.0

使用法

インストール

• このレポをクローンします

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

データの準備

OD/OCセグメンテーション
前立腺セグメンテーション

OD/OCセグメンテーション

例として、Binrushed（ターゲットドメイン）と他の4つのデータセット（ソースドメイン）を使用してシナリオを取ります。

 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

前立腺セグメンテーション

例として、BMC（ターゲットドメイン）と他の5つのデータセット（ソースドメイン）を使用してシナリオを取ります。

 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

了承

コードの一部は、DOCRのPytorch実装から改訂されます。

引用✏️？

このリポジトリが研究に役立つ場合は、次のように論文を引用することを検討してください。

 @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}
}