好多同行问我,代码这事。大家都藏着掖着什么心理呢?
其实我想说,你们都搞反了。
到底源码算个啥
数据喂给模型,啥结果出来,自己心里都没底。
尤其刚踏进医学图像分割这行的时候。
我先说个事儿。
有个师弟，去年的时候，卡在一个病灶分割那儿，长达三个月，怎么都过不去。后来呢，找了一个开源项目，仅仅一周就搞定了。他差一点没哭出来。
这就是源码的作用。
不是你不够聪明,是你没站在前人的肩膀上。
于这一行之事，我已然付诸经历达五年之时，从U – Net持续前进直至，而后又发展至Swin – Unet。说实话来讲哦，对于源码可谓即是你的另外一种意义上的大脑。
从Unet到我们经历了啥
医学图像分割这个事情，讲起来容易，是要把CT里面那些病灶区域圈出来，还要把MRI里面那些病灶区域圈出来。
但真做起来就死机。
在2015年的时候，Olaf 他们做到了U-Net的研发，那时众人认为迎来了曙光，可以尽情使用了，然而实际情况又是怎样的呢？当更换为另一个数据集时便宣告失败了，超参数需要重新进行调整，并且这一过程要耗费好几天的时间啊，简直能让人崩溃到极点。
而后，MIC-DKFZ那一群人弄出了个nnU-Net，能自动适配数据集，全然无需人工去调整参数。众人瞧见后，不禁叫道，哎呀，这难道不正是我所期望获取到的东西嘛？
致使当下摇身一变成为了标杆，在2020年举办的挑战赛当中，10个冠军里居然有9个都采用了。
这时候你还不肯开源代码?
不是傻就是坏。
一个开源项目比一个开源项目厉害，将 塞入 U-Net之中，弄出一个混合模型，其性能又提升了，Swin-Unet更为激进，直接凭借纯 重新构建整个U型架构，甚至于把CNN都舍弃了。
这就像炼金术。
别人把配方都给你了,你还非要自己从头瞎搞?
你的模型真的跑得动吗
我见过太多项目,论文牛逼轰轰,代码一泡污。
在进行训练之际，Dice Loss呈现出难以下降的态势，于验证之时，边界出现了极其严重的错误情况。
怎么回事?
评价指标，你弄清楚了吗，Dice着重于内部重合率，HD95是专门针对边界的检察官，肿瘤边界只要差了那零点几毫米，手术规划就完全废掉了，这可不是闹着玩的。
还有那些公开数据集。
针对LiTS肝肿瘤、KiTS肾脏肿瘤、BraTS脑肿瘤，在评测之际会用到这些，你是否进行了运行呢。不要跟我提及你的模型于何处堪称天下第一，敢不敢针对MSD数据集开展一次运行？
于医学图像处理此领域，不能运行的代码，等同于不存在，撰写再多篇各类不同的论文，都是毫无用处之举。
开源才是最大的闭坑指南
很多人不愿意开源,怕别人抄自己的创意。
我告诉你个更扎心的真相。
处于当下医学图像分割这个领域方向之中，其技术已然是相当成熟的状态了。nnU – Net如此一种框架在23个具有权威性的数据集中均可摘得高分，且是全程自动进行配置的。而你却无论如何坚决不肯与其他人进行分享，这就等同于自己关起门来造车，最终必然只能面临被淘汰的结局。
大模型时代都来了,SAM这种基础模型都能做零样本分割了。
你还在纠结要不要给人看代码?
这不是搞笑吗?
放下心来，将你的模型释放出来，让人去指责你的边界划分得不够细致，让人诉说你Dice指标并非最为优秀。
有问题才有进步。
技术就是这样迭代的。
底气拿着了源码，才能够跟别人去说，于他们而言，这个肿瘤分割的效果不太好，是由于X、Y、Z这样的原因所导致的，随后大家一块去想办法，把这个问题给解决掉。
这才是正道。
给自己留个台阶
写到这里,我想说。
医学图像分割这个赛道,谁都不敢说自己一定是第一名。
但如果你连源码都不敢开源,那连参赛的资格都没有。
真的。
最重要的并非输赢，而是你有勇气站出来，将你写出的那些并非极善极美的代码展示出来，去接受这个行业最为严苛且最为公正平允的检验。
好似我们进行CT检查那般，一层一层地扫描过去啊 ，把看到的病灶给圈出来， 朝着它直面相向句号。
别因为怕输就把源代码藏起来。
赛事归赛事讲，然而身为医学可是无止境范畴。将自有代码呈供出来，哪怕仅仅是对一位读研中的师弟起到助力作用，哪怕仅仅是对一名在偏远区域从事治病工作的医生提供某种助益，如此这般你的代码便不算未有效编写。
这条路,大家一起走,比一个人走,要快得多。
开干吧。
