MEDSAMreadme

重点是绿色背景部分

MedSAM

这是MedSAM的官方存储库：分割医学图像中的任何内容。

安装

创建一个虚拟环境

conda create -n medsam python=3.10 -y

并激活它

conda activate medsam

安装Pytorch 2.0

git克隆https://github.com/bowang-lab/MedSAM

进入MedSAM文件夹cd MedSAM并运行

pip install -e .

在自定义数据集上微调SAM

我们提供了一个小数据集的分步教程，帮助您快速开始培训过程。

数据准备和预处理

下载SAM检查点并将其放置在work_dir/SAM/SAM_vit_b_01ec64.pth。

下载演示数据集并解压缩。

该数据集包含50次腹部CT扫描，每次扫描都包含一个带有13个器官的注释掩码。器官标签的名称可在MICCAI FLARE2022上找到。在本教程中，我们将对胆囊分割的SAM进行微调。

运行预处理

python pre_CT.py -i path_to_image_folder -gt path_to_gt_folder -o path_to_output

python pre_CT.py -i path_to_image_folder -gt path_to_gt_folder -o path_to_output

分割数据集：80%用于训练，20%用于测试

图像归一化

预计算图像嵌入

将标准化图像、地面实况掩码和图像嵌入保存为npz文件

注意：医学图像有各种数据格式。因此，一个脚本不可能处理所有这些不同的格式。在这里，我们提供了CT和非CT（例如，各种MR序列、PET图像）图像预处理的两个典型示例。您可以根据自己的数据集调整预处理代码。

Model Training（视频教程）

请查看分步教程：finetune_and_expression _tutorial_3D_dataset.ipynb

我们还提供了一个关于2D数据集（png格式）的教程：finetune_and_expression _tutorial_2D_dataset.ipynb

您也可以在整个数据集上训练模型。

下载培训套装（GoogleDrive）

注意：为了文件共享的方便，我们将每个图像和掩码对压缩到一个npz文件中。预先计算的图像嵌入太大（需要大约1TB的空间）。您可以使用以下命令生成它

预先计算图像嵌入，并将图像嵌入和地面实况保存为.npy文件。

python utils/precompute_img_embed.py -i path_to_train_folder -o ./data/Tr_npy

训练模型

python train -i ./data/Tr_npy --task_name -SAMViT-B --num_epochs 1000 --batch_size 8 --lr 1e-5

如果您发现此数据集在您的研究中有价值，请确认并相信原始数据源：AMOS、BraTS2021、ACDC、M&M、PROMISE12 ABC、腹部CT-1K、MSD、KiTS19、LiTS、新冠肺炎CT-Seg、HECKTOR DRIVE、结肠腺、息肉、器械、腹部超声、乳房超声、JSRT

Inference

下载模型检查点（GoogleDrive）和测试数据（Google Drive），并将它们分别放入data/Test和work_dir/MedSAM。

跑

python MedSAM_Inference.py -i ./data/Test -o ./ -chk work_dir/MedSAM/medsam_20230423_vit_b_0.0.1.pth