Contrast-agnostic: Extend segmentation to the upper cord

Table des matières

• Schéma explicatif
• Utilisation du pipeline
• Entraîner le modèle

Schéma explicatif

Le schéma suivant résume les différentes étapes pour l'obtention des vérités-terrain pour entraîner le modèle de segmentation de la moelle épinière contrast-agnostic qui permet une couverture adéquate de la région de la vertèbre C1.

Utilisation du pipeline

1. Prérequis

1. Spinal Cord Toolbox (version 6.4 ou plus)
2. Python (version 3.9 ou plus)

2. Banque de données

La banque de données utilisée dans le cadre de ce projet est Spine Generic Public Database (Multi Subject) https://github.com/spine-generic/data-multi-subject/

3. Lancer les scripts

1. Calculer où se rendent les segmentations vérité terrain de contrast-agnostic par rapport au label de C1: seg_vs_label.py

python creer_GT/seg_vs_label.py \
        -segmentation_regex regex_des_segmentations \
        -labels_regex regex_des_labels \
        -d_seg chemin/vers/les/segmentations \
        -d_label chemin/vers/les/labels \
        -seg_method NomMethode

2. Vérifier quelles segmentations GT ont besoin d'être modifiées afin d'aller plus haut: analyse_seg_vs_label.py

python creer_GT/analyse_gt_propseg.py \
        -f chemin/CSV/sortie/de/seg_vs_label \
        -o chemin/de/sortie/désiré

3. Créer une segmentation propseg avec des paramètres différents selon jusqu'où se rend la segmentation avec les paramètres par défaut: modification_propseg.py

python creer_GT/modification_propseg.py \
        -f chemin/CSV/sortie/de/analyse_seg_vs_label \
        -o chemin/de/sortie/désiré \

4. Calculer un facteur d'échelle entre la segmentation vérité terrain de contrast-agnostic et la segmentation propseg: calcul_facteurs_echelle.sh

bash creer_GT/calcul_facteur_echelle.sh

5. Appliquer ce facteur d'échelle à la segmentation propseg: aplliquer_facteur_echelle.py

python creer_GT/appliquer_facteur_echelle.py

6. Fusionner les segmentations propseg et vérité terrain de contrast-agnostic: fusion_seg.sh

bash creer_GT/fusion_seg.sh

7. Couper la segmentation si elle se rend trop haut: crop_above_C1.sh

bash creer_GT/crop_above_C1.sh

8. Faire des rapports de contrôle de qualité: qc_fusion_all.sh

bash creer_GT/qc_fusion_all.sh

Entraîner le modèle

1. Créer YAML

1. Créer un fichier YAML avec les sujets ayant passé le contrôle de qualité
2. Créer un datasplit avec ces sujets: train, val, test

2. Scripts pour l'entraînement

Le protocole suivi pour l'entraînement est celui provenant de ce dépôt: https://github.com/sct-pipeline/contrast-agnostic-softseg-spinalcord

3. Analyse de la qualité de la segmentation

1. Calcul des Dice scores: compute_dice_scores.py

python analyser_segmentation_test/compute_dice_scores.py

2. Calcul du pourcentage de couverture de C1: couverture_C1.py

python analyser_segmentation_test/couverture_C1.py