【文件属性】：
文件名称：CovidPrognosis：基于MoCo训练图像表示的X射线胸片的COVID恶化预测
文件大小：43KB
文件格式：ZIP
更新时间：2021-01-31 12:43:41
deep-learning pytorch medical-imaging x-ray medical-image-analysis
Covid预后
该存储库包含用于复制以下论文的代码：
我们还提供了MoCo预培训过程中的模型，供有兴趣根据自己的数据进行微调的小组使用。 在使用此代码或预先训练的模型之前，请查阅。
安装
首先，按照安装PyTorch。 然后，导航到CovidPrognosis根目录并运行
pip install -e .
之后，您应该可以在cp_examples运行示例。
用法
对于预训练，您需要下载或数据集。 下载数据后，将路径添加到configs/data.yaml ，并且应将其用作默认路径。
cp_examples目录包含三个子目录，分别对应于本文中的培训阶段：
moco_pretrain ：动量对比度（MoCo）预训练（例如，使用MIMIC，CheXpert或同时使用两者）
sip_finetune ：对单图像预测任务（即，单图像不良事件预测或氧气需求预测）的sip_finetune模型进行微调
mip_finetune ：针对多图像预测任务的mip_finetune模型的微调
我们的代码建立在框架之上。
为公共X射线数据集设置了MoCo预训练和SIP微调的示例脚本-由于考
【文件预览】：
CovidPrognosis-master
----covidprognosis()
--------models()
--------data()
--------__init__.py(88B)
--------plmodules()
----tests()
--------conftest.py(3KB)
--------test_transforms.py(5KB)
--------__init__.py(0B)
--------test_xray_datasets.py(2KB)
----LICENSE(1KB)
----cp_examples()
--------moco_pretrain()
--------sip_finetune()
--------mip_finetune()
----CONTRIBUTING.md(1KB)
----configs()
--------models.yaml(674B)
--------data.yaml(56B)
----requirements.txt(138B)
----setup.py(652B)
----.gitignore(41B)
----CODE_OF_CONDUCT.md(3KB)
----README.md(4KB)
----.flake8(94B)