deepang-ai/Slim-UNETRV2

# Slim UNETRV2：面向资源受限医疗便携设备的3D图像分割 🎉 本研究已发表于 [IEEE Transactions on Medical Imaging](https://ieeexplore.ieee.org/document/11138028) [](https://huggingface.co/deepang/slimunetrv2)  BraTS 2023 权重与日志：[](https://huggingface.co/deepang/slimunetrv2/tree/main/brats23) MMWHS-CT 权重与日志：[](https://huggingface.co/deepang/slimunetrv2/tree/main/mmwhs-ct) MMWHS-MRI 权重与日志：[](https://huggingface.co/deepang/slimunetrv2/tree/main/mmwhs-mri)  # 网络架构  **图 1.** Slim UNETRV2 网络架构概览。 ## 训练 要复现结果或使用您自己的数据训练 Slim UNETRV2，请遵循标准的 nnU-Net v2 训练流程，并使用在 3d_fullres 配置下提供的训练器。 1. 环境配置 - 首先安装 PyTorch，然后运行项目设置脚本： pip install torch sh setup-env.sh 2. 数据集准备 (nnU-Net v2 格式) - 严格按照 nnU-Net v2 文档准备数据集（数据集结构、JSON 元数据和病例命名规范）。请参考此处的数据集规范：[nnU-Net v2 数据集格式](nnUNet/documentation/dataset_format.md)。在预处理前设置 nnU-Net 路径： export nnUNet_raw=/path/to/nnUNet_raw export nnUNet_preprocessed=/path/to/nnUNet_preprocessed export nnUNet_results=/path/to/nnUNet_results 有关设置这些路径的详细信息，请参见：[setting_up_paths.md](nnUNet/documentation/setting_up_paths.md)。 - 按照 nnU-Net v2 的要求创建数据集文件夹 `nnUNet_raw/DatasetXXX_MyDataset`，其中包含 imagesTr、labelsTr（如果适用，还有 imagesTs）。然后为 3d_fullres 运行特征提取和规划： nnUNetv2_extract_fingerprints -d XXX nnUNetv2_plan_and_preprocess -d XXX -c 3d_fullres 将 `XXX` 替换为您的数字数据集 ID（例如，BraTS 为 005）。 3. 使用 SlimUNETRV2 训练器进行训练 (3d_fullres) - 对于 128×128×128 的块大小，请使用 `SlimUNETRV2_128Trainer`： nnUNetv2_train XXX 3d_fullres 0 -tr SlimUNETRV2_128Trainer - 对于 96×96×96 的块大小，请使用 `SlimUNETRV2_96Trainer`： nnUNetv2_train XXX 3d_fullres 0 -tr SlimUNETRV2_96Trainer - 使用折数 `0–4` 进行交叉验证，或使用 `all` 来聚合所有折： nnUNetv2_train XXX 3d_fullres all -tr SlimUNETRV2_128Trainer 注意事项 - 训练器定义在 [nnUNet/nnunetv2/training/nnUNetTrainer/variants/slim/slimUNETRV2Trainer.py](nnUNet/nnunetv2/training/nnUNetTrainer/variants/slim/slimUNETRV2Trainer.py)，其内部设置的块大小和架构超参数与“模型超参数”部分一致。 - SlimUNETRV2 模型架构定义在 [nnUNet/nnunetv2/nets/SlimUNETRV2.py](nnUNet/nnunetv2/nets/SlimUNETRV2.py)。 - 始终使用 `3d_fullres` 配置来训练 Slim UNETRV2，以匹配预期设计并获得报告的结果。 ## 模型超参数 以下超参数用于不同的输入图像尺寸： * **对于尺寸为 128x128x128 的输入图像：** SlimUNETRV2(in_chans=1, out_chans=3, kernel_sizes=[4, 2, 2, 2], num_slices_list=[64, 32, 16, 8]) * **对于尺寸为 96x96x96 的输入图像：** SlimUNETRV2(in_chans=1, out_chans=3, kernel_sizes=[2, 2, 2, 2], num_slices_list=[16, 8, 4, 2]) # 性能表现  **图 2.** 不同框架在 BraTS 2023 数据集上的性能对比分析。(A) 评估 Dice 相似系数 (DSC) 和吞吐量，数值越高表示性能越好。(B) 评估 95% 豪斯多夫距离 (HD95%) 和推理抖动，数值越低表示性能越好。 # 数据描述 ## 数据集名称：BraTS 2021 模态：MRI 大小：1251 个 3D 体积（876 个训练集 + 375 个验证集） 挑战：RSNA-ASNR-MICCAI 脑肿瘤分割 (BraTS) 挑战赛 - 从下方链接注册并下载官方 BraTS 2021 数据集，并将其放入数据集文件夹中的 "TrainingData"： https://www.synapse.org/#!Synapse:syn27046444/wiki/616992 示例路径： "TrainingData/BraTS2021_01146/BraTS2021_01146_flair.nii.gz" - 从这个 [链接](https://drive.google.com/file/d/1i-BXYe-wZ8R9Vp3GXoajGyqaJ65Jybg1/view?usp=sharing) 下载 JSON 文件，并将其放置在与数据集相同的文件夹中。 ## 数据集名称：BraTS 2023 模态：MRI 大小：1251 个 3D 体积（876 个训练集 + 375 个验证集） 挑战：RSNA-ASNR-MICCAI 脑肿瘤分割 (BraTS) 挑战赛 - 从下方链接注册并下载官方 BraTS 2023 数据集，并将其放入数据集文件夹中的 "TrainingData"： https://www.synapse.org/#!Synapse:syn27046444/wiki/616992 示例路径： "TrainingData/BraTS2023_01146/BraTS2023_01146_flair.nii.gz" - 从这个 [链接](https://www.med.upenn.edu/cbica/brats/) 下载 JSON 文件，并将其放置在与数据集相同的文件夹中。 ## 数据集名称：MM-WHS 模态：MRI / CT 大小：120 个 3D 体积（MRI 和 CT 各有 84 个训练集 + 36 个验证集） 挑战：多模态全心脏分割挑战赛 - 从下方链接注册并下载官方 MM-WHS 数据集，并将其放入数据集文件夹中的 "TrainingData"： https://www.synapse.org/Synapse:syn51514105 示例路径： "TrainingData/MM_WHS/MRI/11238.nii.gz" - 从这个 [链接](https://mega.nz/folder/UNMF2YYI#1cqJVzo4p_wESv9P_pc8uA) 下载 JSON 文件，并将其放置在与数据集相同的文件夹中。 # 基准测试 ## BraTS 2021 数据集 针对 BraTS 2021 数据集中脑肿瘤分割任务的不同网络架构性能对比分析。  ## BraTS 2023 数据集 针对 BraTS 2023 数据集中脑肿瘤分割任务的不同网络架构性能对比分析。  ## MM-WHS 数据集 使用 MM-WHS 数据集进行心脏分割的性能对比。  # 可视化 ## BraTS 2021 数据集 Slim UNETRV2 和基线方法在 BraTS 2021 分割任务上的定性可视化结果。  ## MM-WHS 数据集 Slim UNETRV2 和基线方法在 MM-WHS 心脏分割任务上的定性可视化结果。  # 引用 如果您觉得这个代码库有用，请引用： ``` @ARTICLE{pang2025slim, author={Pang, Yan and Liang, Jiaming and Yan, Junming and Hu, Ying and Chen, Hao and Wang, Qiong}, journal={IEEE Transactions on Medical Imaging}, title={Slim UNETRV2: 3D Image Segmentation for Resource-Limited Medical Portable Devices}, year={2025}, volume={}, number={}, pages={1-1}, keywords={Image segmentation;Accuracy;Jitter;Decoding;Medical diagnostic imaging;Three-dimensional displays;Feature extraction;Computational modeling;Solid modeling;Image analysis;3D medical segmentation;lightweight;on-device model;resource-limited application}, doi={10.1109/TMI.2025.3602145}} ``` # 许可证 本项目基于 MIT 许可证授权。详情请参阅 [LICENSE](LICENSE)。

标签：3D图像处理, nnU-Net, PyTorch, 便携医疗设备, 凭据扫描, 医学图像分割, 医学影像分析, 医疗AI, 心脏分割, 模型优化, 深度学习, 脑肿瘤分割, 计算机视觉, 计算机辅助诊断, 资源受限设备, 轻量化神经网络, 逆向工具