MONAI を用いた UNet による医療 CT ボリュームの脾臓セグメンテーションのためのコーディング実装

このチュートリアルでは、MONAI を用いて Medical Segmentation Decathlon の Task09 データセット上の脾臓をセグメントメントするエンドツーエンドの 3D 医療画像セグメンテーションパイプラインを構築します。体積 CT スキャンを取り扱い、方向整合、ボクセル間隔正規化、強度ウィンドウ処理、前景クロッピング、パッチベースサンプリングといった医療画像変換を適用し、その後、二値臓器セグメンテーションのために 3D UNet モデルを訓練します。また、混合精度トレーニング、DiceCE 損失（Dice Cross-Entropy loss）、スライディングウィンドウ推論、Dice ベースの検証、定性的な可視化を活用して、モデルがどのように学習し、その予測が地上真値マスクとどう比較されるかを理解します。さらに、生体積データから完全な訓練–検証–可視化セグメンテーションシステムへと移行します。 Copy CodeCopiedUse a different Browser !pip install -q "monai[nibabel,tqdm,matplotlib]==1.5.2" 2>/dev/null import os, time, glob, tempfile, warnings import numpy as np import torch import matplotlib.pyplot as plt from torch.amp import autocast, GradScaler from monai.apps import DecathlonDataset from monai.data import DataLoader, decollate_batch from monai.networks.nets import UNet from monai.networks.layers import Norm from monai.losses import DiceCELoss from monai.metrics import DiceMetric from monai.inferers import sliding_window_inference from monai.utils import set_determinism from monai.transforms import ( Compose, LoadImaged, EnsureChannelFirstd, EnsureTyped, Orientationd, Spacingd, ScaleIntensityRanged, CropForegroundd, RandCropByPosNegLabeld, RandFlipd, RandRotate90d, RandShiftIntensityd, AsDiscrete, ) warnings.filterwarnings("ignore") 必要な医療画像処理および可視化の依存関係を備えた MONAI をインストールすることから始めます。その後、データセット、変換（トランスフォーム）、モデル学習、評価指標、推論に必要な PyTorch、NumPy、Matplotlib、および主要な MONAI モジュールをインポートします。また、セグメンテーションワークフローに集中している間、ノートブックの出力をクリーンに保つために警告を抑制しています。 Copy CodeCopiedUse a different Browser QUICK_RUN = True device = torch.device("cuda" if torch.cuda.is_available() else "cpu") root_dir = tempfile.mkdtemp() roi_size = (96, 96, 96) num_samples = 4 batch_size = 2 max_epochs = 15 if QUICK_RUN else 200 val_every = 3 train_cache = 8 if QUICK_RUN else 24 val_cache = 2 if QUICK_RUN else 6 set_determinism(seed=0) print(f"Device: {device} | epochs: {max_epochs} | data dir: {root_dir}") train_transforms = Compose(common + [ image_key="image", image_threshold=0), RandFlipd(keys=["image", "label"], prob=0.2, spatial_axis=0), RandFlipd(keys=["image", "label"], prob=0.2, spatial_axis=1), RandFlipd(keys=["image", "label"], prob=0.2, spatial_axis=2), RandRotate90d(keys=["image", "label"], prob=0.2, max_k=3), RandShiftIntensityd(keys=["image"], offsets=0.10, prob=0.5), EnsureTyped(keys=["image", "label"]), ]) val_transforms = Compose(common + [EnsureTyped(keys=["image", "label"])]) チュートリアルのための主要な設定、つまりデバイス、データセットディレクトリ、パッチサイズ、バッチサイズ、エポック数、キャッシュ設定を定義します。その後、画像の読み込み、アライメントの調整、ボクセル間隔のリサンプリング、強度のスケーリング、前景の切り出しを行うことで、CT ボリューム用の前処理パイプラインを作成します。また、トレーニングと検証の変換も定義しており、トレーニングパイプラインにはランダムなクロップ、フリップ、回転、強度シフトが含まれています。 Copy CodeCopiedUse a different Browser train_ds = DecathlonDataset( root_dir=root_dir, task="Task09_Spleen", section="training", transform=train_transforms, download=True, val_frac=0.2, cache_num=train_cache, num_workers=2, seed=0) val_ds = DecathlonDataset( root_dir=root_dir, task="Task09_Spleen", section="validation", transform=val_transforms, download=False, val_frac=0.2, cache_num=val_cache, num_workers=2, seed=0) train_loader = DataLoader(train_ds, batch_size=batch_size, shuffle=True, num_workers=2, pin_memory=torch.cuda.is_available()) val_loader = DataLoader(val_ds, batch_size=1, shuffle=False, num_workers=1, pin_memory=torch.cuda.is_available()) print(f"Train volumes: {len(train_ds)} | Val volumes: {len(val_ds)}") loss_fn = DiceCELoss(to_onehot_y=True, softmax=True) optimizer = torch.optim.AdamW(model.parameters(), lr=1e-4, weight_decay=1e-5) scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=max_epochs) scaler = GradScaler("cuda", enabled=torch.cuda.is_available()) dice_metric = DiceMetric(include_background=False, reduction="mean") post_pred = Compose([AsDiscrete(argmax=True, to_onehot=2)]) post_label = Compose([AsDiscrete(to_onehot=2)]) MONAI の DecathlonDataset を用いて、Medical Segmentation Decathlon Task09 Spleen データセットを読み込みます。データをトレーニングセットとバリデーションセットに分割し、適切なトランスフォームを適用した上で、両方のデータセットを PyTorch スタイルのデータローダーでラップします。その後、3D UNet モデルを作成し、DiceCE 損失（Dice Cross-Entropy loss）を定義し、AdamW オプティマイザ、学習率スケジューラ、混合精度スケーラ、Dice メトリック、および後処理ステップを設定します。 Copy CodeCopiedUse a different Browser best_dice, best_epoch = -1.0, -1 loss_hist, dice_hist, dice_epochs = [], [], [] best_path = os.path.join(root_dir, "best_spleen_unet.pth") for epoch in range(1, max_epochs + 1): model.train(); epoch_loss, t0 = 0.0, time.time() for batch in train_loader: x, y = batch["image"].to(device), batch["label"].to(device) optimizer.zero_grad(set_to_none=True) with autocast("cuda", enabled=torch.cuda.is_available()): logits = model(x) loss = loss_fn(logits, y) scaler.scale(loss).backward() scaler.step(optimizer); scaler.update() epoch_loss += loss.item() scheduler.step() epoch_loss /= len(train_loader); loss_hist.append(epoch_loss) print(f"[{epoch:3d}/{max_epochs}] loss={epoch_loss:.4f} " f"lr={scheduler.get_last_lr()[0]:.2e} ({time.time()-t0:.0f}s)") if epoch % val_every == 0 or epoch == max_epochs: model.eval(); dice_metric.reset() with torch.no_grad(): for vb in val_loader: vx, vy = vb["image"].to(device), vb["label"].to(device) with autocast("cuda", enabled=torch.cuda.is_available()): vout = sliding_window_inference(vx, roi_size, 4, model, overlap=0.5) vout = [post_pred(o) for o in decollate_batch(vout)] vlab = [post_label(o) for o in decollate_batch(vy)] dice_metric(y_pred=vout, y=vlab) d = dice_metric.aggregate().item() dice_hist.append(d); dice_epochs.append(epoch) if d > best_dice: best_dice, best_epoch = d, epoch torch.save(model.state_dict(), best_path) print(f" >> val Dice={d:.4f} (best={best_dice:.4f} @ {best_epoch})") print(f"\nDone. Best mean Dice {best_dice:.4f} at epoch {best_epoch}.") スプラインデータセットから切り出された体積パッチに対して3D UNetを各エポックごとに訓練する完全な学習ループを実行します。GPUが利用可能な場合は、自動混合精度を使用してメモリ使用量を削減し、学習速度を向上させます。また、スライディングウィンドウ推論を用いて定期的にモデルを検証し、Diceスコアを追跡して、最もパフォーマンスの高いチェックポイントも保存します。 Copy CodeCopiedUse a different Browser fig, ax = plt.subplots(1, 2, figsize=(12, 4)) ax[0].plot(range(1, len(loss_hist)+1), loss_hist, "-o", ms=3) ax[0].set(title="Training loss", xlabel="epoch", ylabel="DiceCE loss") ax[1].plot(dice_epochs, dice_hist, "-o", color="seagreen", ms=4) ax[1].set(title="Validation mean Dice", xlabel="epoch", ylabel="Dice"); ax[1].set_ylim(0, 1) plt.tight_layout(); plt.show() model.load_state_dict(torch.load(best_path, map_location=device)); model.eval() with torch.no_grad(): sample = next(iter(val_loader)) img = sample["image"].to(device) with autocast("cuda", enabled=torch.cuda.is_available()): pred = sliding_window_inference(img, roi_size, 4, model, overlap=0.5) pred = torch.argmax(pred, dim=1).cpu().numpy()[0] img_np, lab_np = img.cpu().numpy()[0, 0], sample["label"].numpy()[0, 0] z = int(np.argmax(lab_np.sum(axis=(0, 1)))) fig, ax = plt.subplots(1, 3, figsize=(13, 5)) ax[0].imshow(img_np[:, :, z], cmap="gray"); ax[0].set_title("CT slice") ax[1].imshow(lab_np[:, :, z], cmap="viridis"); ax[1].set_title("Ground truth") ax[2].imshow(pred[:, :, z], cmap="viridis"); ax[2].set_title("Prediction") for a in ax: a.axis("off") plt.tight_layout(); plt.show() まず、トレーニングの損失と検証 Dice スコアをプロットして、モデルが時間とともにどのように改善するかを確認します。次に、最良の保存済みモデルチェックポイントを読み込み、スライディングウィンドウ予測を使用して単一の検証ボリュームに対して推論を実行します。CT 断層画像、正解マスク、および予測セグメンテーションを並べて可視化し、モデルの定性的な性能を検証します。 結論として、3D UNet モデルを用いた MONAI ベースの実用的な 3D 脾臓セグメンテーションワークフローを完了しました。Medical Segmentation Decathlon データセットを用意し、CT ボリュームを変換・拡張し、DiceCE 損失（DiceCE loss）でモデルをトレーニングし、スライディングウィンドウ推論で検証し、時間経過に伴う損失と Dice スコアを追跡しました。また、CT 断層画像、正解ラベル、およびモデル出力を並べて比較することで、最終的な予測結果を視覚的に確認しました。これで、データ読み込みや前処理からモデルトレーニング、評価、チェックポイント保存、定性的分析に至るまで、MONAI が医療セグメンテーションタスクをどのようにサポートするかを明確に理解できました。 GitHub リポジトリの宣伝、Hugging Face ページ、製品リリース、ウェビナーなどのプロモーションのためにパートナーシップをご希望ですか？私たちに連絡してください The post A Coding Implementation on MONAI for End-to-End 3D Spleen Segmentation Using UNet on Medical CT Volumes appeared first on MarkTechPost.

MONAI を用いた UNet による医療 CT ボリュームの脾臓セグメンテーションのためのコーディング実装

背景や根拠まで確認しますか？

調べる

選ぶ

サイト