FLARE2024 Task2腹部多脏器分割算法

针对腹部多脏器分割算法，FLARE competition今年的目标是在低配置或笔记本等资源受限的边缘设备上执行实时分割，我们在我们的无限卡笔记本上推理一例512×512×512的3D volume耗时仅为27s，精度在挑战赛上的排名第一。下面是对我们贡献的总结，详细的细节见paper。

方法

这项工作是去年hanglok team工作研究的进一步延续. 我们的方法基于经典的两阶段级联处理架构，其中提出了在第一阶段采用部分卷积的轻量级CNN，在第二阶段采用a novel hybrid CNN-Transformer model with synergistic amalgamation of scale-aware modulator and self-attention。

• 网络架构描述
  • 此工作是 last year’s research的延续, 最大的不同是在第二阶段的解码器，其中非对称卷积及分组卷积被用于构建LACB模块( Lightweight Attention-based Convolutional) 。此外，我们重新对图像预处理做了调整.
  • 对于参数量，Phase one is 1.36M and Phase two is 9.37M.
• Evaluation metrics
  • Dice Similarity Coefficient (DSC) and Normalized Surface Dice (NSD)

Environments and Requirements

• Ubuntu 20.04/Ubuntu 22.04
• CPU:Intel® Xeon® Platinum 8358 CPU @ 2.60GHz, RAM: 1.0 Ti; 3200 MT/S, GPU: NVIDIA A800 80G
• CUDA 11.6
• python 3.8.15
• monai 1.2.0

安装 requirements:

pip install -r requirements.txt

How to use this code

我们已经公开了代码，详细代码细节参考our github code

Train the Data

训练代码在文件夹 “Flare2024_Train"中. 训练前请注意修改"monai_datamodule.py”. 针对不同的Phase，请在train.py中进行选。
Run in terminal:

cd Flare2024_Train
python train.py

Inference On CPU

推理文件置于"flare2023_inference". Run in terminal:

cd Flare2024_Infer
python inference.py