UNeXt-pytorch 开源项目使用教程

UNeXt-pytorch 开源项目使用教程

UNeXt-pytorch Official Pytorch Code base for "UNeXt: MLP-based Rapid Medical Image Segmentation Network", MICCAI 2022 项目地址: https://gitcode.com/gh_mirrors/un/UNeXt-pytorch

1. 项目介绍

UNeXt-pytorch 是基于 PyTorch 的官方实现，用于 UNeXt 网络的医学图像分割。UNeXt 是一种基于卷积多层感知器（MLP）的网络，针对医学图像分割任务进行了优化。该网络通过早期的卷积阶段和隐空间的 MLP 阶段设计，提出了一个高效的 tokenized MLP 块，通过 tokenization 和特征投影，以及 MLPs 来建模表征，进一步提升了性能。该网络结构在保持较低参数量和计算复杂度的同时，能够获得更好的分割性能。

2. 项目快速启动

环境准备

确保您的系统中已安装了 Python 3.6.13 以及 CUDA 版本不低于 10.1。

克隆仓库

git clone https://github.com/jeya-maria-jose/UNeXt-pytorch.git
cd UNeXt-pytorch

安装依赖

使用 conda 安装依赖：

conda env create -f environment.yml
conda activate unext

如果您更喜欢使用 pip，可以安装以下版本：

pip install timm==0.3.2
pip install mmcv-full==1.2.7
pip install torch==1.7.1
pip install torchvision==0.8.2
pip install opencv-python==4.5.1.48

数据准备

确保您的数据集按照以下结构组织（例如，类数为 2）：

inputs/
└── <数据集名称>
├── images
│   ├── 001.png
│   ├── 002.png
│   ├── 003.png
│   ├── ...
│
└── masks
├── 0
│   ├── 001.png
│   ├── 002.png
│   ├── 003.png
│   ├── ...
│
└── 1
├── 001.png
├── 002.png
├── 003.png
├── ...

对于二分类问题，只需使用文件夹 0。

训练模型

python train.py --dataset <数据集名称> --arch UNext --name <实验名称> --img_ext .png --mask_ext .png --lr 0.0001 --epochs 500 --input_w 512 --input_h 512 --b 8

评估模型

python val.py --name <实验名称>

3. 应用案例和最佳实践

• 案例一：在 ISIC 2018 数据集上进行皮肤病变分割。
• 案例二：在 BUSI 数据集上进行医学图像分割。

在应用这些案例时，请确保按照上述数据准备的结构组织您的数据集，并调整 train.py 和 val.py 中的参数以适应您的特定需求。

4. 典型生态项目

• UNet++：一种改进的 UNet 架构，用于医学图像分割。
• Segformer：一种基于 Transformer 的医学图像分割网络。
• AS-MLP：自适应多层感知器网络，用于图像识别和分割任务。

这些项目都是医学图像分析领域的典型代表，可以与 UNeXt-pytorch 结合使用，以探索更多的高级特性和改进方案。

UNeXt-pytorch Official Pytorch Code base for "UNeXt: MLP-based Rapid Medical Image Segmentation Network", MICCAI 2022 项目地址: https://gitcode.com/gh_mirrors/un/UNeXt-pytorch