med seg diff pytorch

Медсегдифф — Pytorch

Реализация MedSegDiff в Pytorch — медицинская сегментация SOTA из Baidu с использованием DDPM и улучшенной обработки на уровне функций с фильтрацией функций в пространстве Фурье.

Признательность

• StabilityAI за щедрую спонсорскую поддержку, а также другим моим спонсорам

• Исаму и Дэниелу за добавление обучающего сценария для набора данных о поражениях кожи!

Установить

$ pip install med-seg-diff-pytorch

Использование

 import torch
from med_seg_diff_pytorch import Unet , MedSegDiff

model = Unet (
    dim = 64 ,
    image_size = 128 ,
    mask_channels = 1 ,          # segmentation has 1 channel
    input_img_channels = 3 ,     # input images have 3 channels
    dim_mults = ( 1 , 2 , 4 , 8 )
)

diffusion = MedSegDiff (
    model ,
    timesteps = 1000
). cuda ()

segmented_imgs = torch . rand ( 8 , 1 , 128 , 128 )  # inputs are normalized from 0 to 1
input_imgs = torch . rand ( 8 , 3 , 128 , 128 )

loss = diffusion ( segmented_imgs , input_imgs )
loss . backward ()

# after a lot of training

pred = diffusion . sample ( input_imgs )     # pass in your unsegmented images
pred . shape                              # predicted segmented images - (8, 3, 128, 128) 

Обучение

Команда для запуска

accelerate launch driver.py --mask_channels=1 --input_img_channels=3 --image_size=64 --data_path= ' ./data ' --dim=64 --epochs=100 --batch_size=1 --scale_lr --gradient_accumulation_steps=4

Если вы хотите добавить в самоусловие, где мы ставим условие с помощью имеющейся у нас маски, выполните --self_condition

Тодо

• некоторый базовый обучающий код, в котором Trainer использует специальный набор данных, адаптированный для форматов медицинских изображений — спасибо @isamu-isozaki
• полноценный трансформатор любой глубины посередине, как это делается при простой диффузии

Цитаты

 @article { Wu2022MedSegDiffMI ,
    title   = { MedSegDiff: Medical Image Segmentation with Diffusion Probabilistic Model } ,
    author  = { Junde Wu and Huihui Fang and Yu Zhang and Yehui Yang and Yanwu Xu } ,
    journal = { ArXiv } ,
    year    = { 2022 } ,
    volume  = { abs/2211.00611 }
}

 @inproceedings { Hoogeboom2023simpleDE ,
    title   = { simple diffusion: End-to-end diffusion for high resolution images } ,
    author  = { Emiel Hoogeboom and Jonathan Heek and Tim Salimans } ,
    year    = { 2023 }
}