TriD

? 배포 보물 : 2D 의료 이미지 세분화를위한 도메인 무작위 배정 기반 멀티 소스 도메인 일반화 (TRID)

이것은 우리의 MICCAI 2023 논문의 공식 Pytorch 구현 "배포의 보물 : 2D 의료 이미지 세분화를위한 도메인 무작위 배정 기반 멀티 소스 도메인 일반화"입니다. 이 백서에서는 기능 공간 도메인 무작위 화를위한 전례없는 검색 공간을 구성하기 위해 TREASURITION (TREASION ON DESTRICTION)이라는 다중 소스 도메인 일반화 방법을 제안합니다.

요구 사항

파이썬 3.7
Pytorch 1.8.0

용법

설치

• 이 저장소를 복제하십시오

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

데이터 준비

OD/OC 분할
전립선 분할

OD/OC 분할

우리는 예제로 쌍둥이 (대상 도메인) 및 기타 4 개의 데이터 세트 (소스 도메인)를 사용하여 시나리오를 취합니다.

 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

전립선 분할

BMC (대상 도메인)와 다른 5 개의 데이터 세트 (소스 도메인)를 예제로 사용하여 시나리오를 취합니다.

 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

승인

코드의 일부는 DOCR의 Pytorch 구현에서 수정됩니다.

인용 ✏️?

이 repo가 ​​연구에 유용하다고 생각되면 다음과 같이 논문을 인용하는 것을 고려하십시오.

 @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}
}