Stamford040717/aaa

Medical Segmentation

目录

路径	内容
data/datasets/	预处理后的 CHAOS、ACDC、CAMUS、CardiacUDA
external/	SAM2、MedSAM2、Medical-SAM2、GraphEcho 依赖仓库
outputs/models/	已训练模型权重
outputs/preds/	各方法预测的 NIfTI mask
outputs/figs/	论文 Figure 4-1 风格可视化
memory/	MEM 方法核心模块：配置、数据读取、静态记忆、测试时工作记忆、智能体控制器、SAM2 适配模型
run/	训练、批量调度与跨域实验入口
tools/	导出预测和画图工具
prep/	数据预处理脚本
docs/paper.pdf	参考论文

数据集、模型权重、预测结果、日志和外部依赖仓库不上传到 GitHub；仓库只保留对应路径占位，实际文件请放回上表目录。

快速绘图

conda run -n wsw python tools/fig.py --output outputs/figs/fig4_1.png

最终图：

outputs/figs/fig4_1.png

训练命令

# UNet / SwinUNETR / nnUNet
conda run --no-capture-output -n wsw python run/baseline.py --dataset CHAOS --method UNet --ratio 100 --resume

# MEM/Ours 训练
conda run --no-capture-output -n wsw python run/memseg.py

# MEM/Ours 导出预测并绘制 Figure 4-1
conda run --no-capture-output -n wsw python tools/export_memory.py --figure-cases-only
conda run --no-capture-output -n wsw python tools/fig.py --output outputs/figs/fig4_1.png

# Medical-SAM2 多类别训练与合并
conda run --no-capture-output -n wsw python run/medsam2.py

# Baseline 跨域泛化实验：CAMUS -> CardiacUDA
conda run --no-capture-output -n wsw python run/domain_baseline.py

# MEM/Ours 跨域泛化实验：CAMUS 记忆 -> CardiacUDA
conda run --no-capture-output -n wsw python run/domain_memseg.py

memory/ 主要保留实际实验会调用的代码：config.py 统一环境变量配置，data.py 统一 NIfTI 数据读取， static_memory.py 负责静态记忆训练，working_memory.py 负责测试时工作记忆检索与更新， controller.py 负责静态记忆和工作记忆的选择组合。few_shot_memory.py 是独立少样本记忆模块，未接入主训练链路。

关键结果

常规三套数据集和五种方法的模型在 outputs/models/，预测结果在 outputs/preds/。跨域泛化使用 CAMUS 训练、CardiacUDA 测试，结果表保存在 outputs/metrics/domain_camus_to_cardiacuda.csv。