MedicalCodeBase

初衷

··· 主要是 研究开发的模型代码，项目不同代码不同。复现各个领域的论文往往也是在原始论文基础上受原始代码影响，结构限制。 不利于 抽象编程和滚雪球，也不利于研究成果转化和可视化。不能抽象，提取，进化的代码只能成为越积越多的垃圾堆。 化繁为简， 化具体为抽象，提高代码能力，以及开发代码的适应性 consistly diving into mywork, working for myself

• 第一 以前各个项目中训练，推理模型的代码 规范化提取(抽象)到 codebase, 然后codebase（具体化 instance）项目代码。
• 项目进行的范式：
  • 范式配置：
    • tensorboradX or wandb
    • pytorch dp, ddp or others
    • config 管理 --》 Hydra
    • experiment 管理
      • 每次运行到的必要脚本备份
      • 运行环境信息保存
      • 训练过程记录
      • 训练时间和硬件效率分析及优化
• 这里不是 pilot 开发 或者 demo, 或者 first-reproduce 的地方。而是在快速复现，pilot 开发，或者各个项目里开发完成后 对这些开发完成的代码 进行整理，泛化处理的地方。 Todo list
• hydra config-style model pipeline building ···

关于推理

* 验证集和测试集推理
* end2end 推理

关于医疗影像数据

关于数据集处理

• 数据集EDA & EDA 可视化
• 训练数据 分段式处理 还是 一段式 ？
  • 比如 nnUNet 就是分段式
  • 有的项目就是一段式，所有的数据增强，处理都包含在训练过程中 比如 Lung ImPulSe
• vessel_data&mask_process
  • centerline and node process
  • stl visualization
• training & valid & test

关于结果分析

• 定量分析 & 可视化
• 定性分析 & 可视化

关于模型训练

• 训练配置及监督
  • train & valid split （specified list）
  • wandb & tensorboardX
  • optimal
  • loss function
  • iteration, epoch,
• nnunet 训练模式
  • LN_seg_2D --> classification header
  • MedNeXt
    • slab_wise training(z_axis)
  • Swintransformer
  • STUnet
    • slab_wise training(z_axis)
• stomach_artery 训练模式
  • densenet
  • train radom crop & valid whole roi resample
• vesselFM 训练模式
• ImPulSe 训练模式
• lung respiratory motion simulation

关于docker

关于package或者requirement,或者发布

关于项目

代码提升

• 资源使用率分析（时间优化）
• 代码结构优化分析
• 面向抽象编程
• 测试代码片段
• 文档补全和注释

debug log