TriD

？分布中的宝藏：基于域随机化的多源域概括2D医疗图像分割（TRID）

这是我们的Miccai 2023论文“分销中的宝藏：基于域随机化的多源域的概括2D医疗图像分割”的官方Pytorch实施。在本文中，我们提出了一种称为“宝藏（TRID）的宝藏”的多源域概括方法，以构建一个空间空间域随机化的前所未有的搜索空间。

要求

Python 3.7
Pytorch 1.8.0

用法

安装

• 克隆这个仓库

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

数据准备

OD/OC细分
前列腺分割

OD/OC细分

我们使用Binrush（目标域）和其他四个数据集（源域）作为示例进行场景。

 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

前列腺分割

我们使用BMC（目标域）和其他五个数据集（源域）进行场景。

 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

致谢

该代码的一部分是从DOCR的Pytorch实施中修订的。

引用✏️？

如果您发现此存储库对您的研究有用，请考虑以下内容：

 @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}
}