SD_UNet多模态分割模型

A PET-CT Dual-Modal Head and Neck Tumor Segmentation Methon

官方库指引链接

https://github.com/xmuyzz/HECKTOR2022

数据集

https://hecktor.grand-challenge.org/Timeline/

项目简介

本项目基于nnUNetv2框架，针对多模态CT/PET影像数据进行头颈部肿瘤的精确分割。通过定制训练器和网络结构，本项目旨在提高肿瘤分割的准确性和效率。

空间-序列多模态CT/PET分割头颈部肿瘤方法 - nnUNetv2部署

项目简介

本项目基于nnUNetv2框架，针对多模态CT/PET影像数据进行头颈部肿瘤的精确分割。通过定制训练器和网络结构，本项目旨在提高肿瘤分割的准确性和效率。

环境部署

在开始之前，请确保已经安装了以下依赖环境：

• Python 3.10
• PyTorch
• CUDA (如使用GPU加速)
• nnUNetv2框架

nnUNetv2部署教程

请按照以下链接完成nnUNetv2的部署： nnUNetv2官方部署教程

项目文件替换

完成nnUNetv2部署后，使用本项目提供的定制代码进行替换：

1. 下载本项目代码：

git clone https://github.com/YourUsername/YourProject.git
cd YourProject

2. 替换nnUNetv2中的训练器和网络代码：

cp -r YourProject/nnUNetTrainerCustom/* path_to_nnUNetv2/nnUNetTrainer/
cp -r YourProject/nnUNetNetworkCustom/* path_to_nnUNetv2/nnUNetNetwork/

确保替换路径正确无误。

数据集准备

本项目使用的数据集需通过以下链接申请： 头颈部肿瘤多模态CT/PET数据集申请 请按照提供指南完成数据集的申请和下载。

训练流程

在开始训练前，请确保数据集已按照nnUNetv2要求进行预处理。

1. 设置数据集路径：

export nnUNet_raw_data_base=/path/to/your/nnUNet_raw_data_base
export nnUNet_preprocessed=/path/to/your/nnUNet_preprocessed
export RESULTS_FOLDER=/path/to/your/nnUNet_results

2. 运行以下命令进行训练：

python path_to_nnUNetv2/nnUNet_train.py 3d_fullres nnUNetTrainerCustom TaskXXXYourTask 0

请将TaskXXXYourTask替换为你的具体任务名称。

推理流程

完成训练后，使用以下命令进行推理：

python path_to_nnUNetv2/nnUNet_predict.py -i /path/to/your/input_data -o /path/to/your/output_data -t 3 -m 3d_fullres -f 0

• -i 参数指定输入数据的路径。
• -o 参数指定推理结果的保存路径。
• -t 参数指定任务编号。
• -m 参数指定使用的模型配置。
• -f 参数指定使用的fold编号。

注意事项

• 确保在替换代码和运行命令时路径正确无误。
• 根据实际硬件配置调整训练参数以优化性能。

联系方式

如有疑问或建议，请通过以下方式联系：

• Email: fangkangkang@nefu.edu.cn 感谢您的使用！