README.md

# U-KAN
U-KAN精度高于Mamba、Transformer构建的Unet模型，本算法基于U-KAN进一步优化精度。
## 论文
`U-KAN Makes Strong Backbone for Medical Image Segmentation and Generation`
- https://arxiv.org/pdf/2406.02918

## 模型结构
KAN已成为MLP的一个有前景的替代方案，U-KAN将新兴算法KAN的优势融入到成熟的U-Net Pipeline 中提升精度，同时增加可解释性，本算法进一步引入部分QKV注意力、KAN ffn等来增强模型的特征提取能力，弥补KAN的不足。
<div align=center>
    <img src="./Seg_UKAN/doc/structure.png"/>
</div>

## 算法原理
U-KAN与其它图像分割算法一样，将图片数据送入模型后，依次通过预处理、特征提取，最后经过卷积预测出像素类别实现分割。
<div align=center>
    <img src="./Seg_UKAN/doc/algorithm.png"/>
</div>

## 环境配置
```
mv U-KAN-optimize_pytorch U-KAN # 去框架名后缀
# if torch>2.0, modify /usr/local/lib/python3.10/site-packages/timm/models/layers/helpers.py: from torch._six import container_abcs -> import collections.abc as container_abcs 
```

### Docker（方法一）
```
docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:2.1.0-ubuntu20.04-dtk24.04.1-py3.10 
# <your IMAGE ID>为以上拉取的docker的镜像ID替换，本镜像为：a4dd5be0ca23
docker run -it --shm-size=32G -v $PWD/U-KAN:/home/U-KAN -v /opt/hyhal:/opt/hyhal:ro --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name ukan <your IMAGE ID> bash
cd /home/U-KAN
pip install -r Seg_UKAN/requirements.txt # requirements.txt
```
### Dockerfile（方法二）
```
cd U-KAN/docker
docker build --no-cache -t ukan:latest .
docker run --shm-size=32G --name ukan -v /opt/hyhal:/opt/hyhal:ro --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video -v $PWD/../../U-KAN:/home/U-KAN -it ukan bash
# 若遇到Dockerfile启动的方式安装环境需要长时间等待，可注释掉里面的pip安装，启动容器后再安装python库：pip install -r Seg_UKAN/requirements.txt。
```
### Anaconda（方法三）
1、关于本项目DCU显卡所需的特殊深度学习库可从光合开发者社区下载安装：
- https://developer.sourcefind.cn/tool/
```
DTK驱动:dtk24.04.1
python:python3.10
torch:2.1.0
torchvision:0.16.0
```

`Tips：以上dtk驱动、python、torch等DCU相关工具版本需要严格一一对应。`

2、其它非特殊库参照requirements.txt安装
```
pip install -r Seg_UKAN/requirements.txt # requirements.txt
```

## 数据集
`BUSI(Breast Ultrasound Image)`
- https://www.kaggle.com/datasets/aryashah2k/breast-ultrasound-images-dataset

本项目无需下载原始数据集，采用U-KAN作者提供的预处理数据[pre-processed dataset](https://mycuhk-my.sharepoint.com/:f:/g/personal/1155206760_link_cuhk_edu_hk/ErDlT-t0WoBNlKhBlbYfReYB-iviSCmkNRb1GqZ90oYjJA?e=hrPNWD) 即可。
项目中已包含[`busi`](./Seg_UKAN/inputs/busi.zip)，解压即可使用，训练数据目录结构如下：
```
Seg_UKAN
├── inputs
│   ├── busi
│     ├── images
│           ├── malignant (1).png
|           ├── ...
|     ├── masks
│        ├── 0
│           ├── malignant (1)_mask.png
|           ├── ...
```

## 训练
### 单机单卡
```
# 以公开数据集busi为基础进行算法效果优化
cd Seg_UKAN
python train.py --arch UKAN --dataset busi --input_w 256 --input_h 256 --name busi_UKAN  --data_dir ./inputs
```
更多资料可参考源项目的[`README_origin`](./README_origin.md)

## result
<div align=center>
    <img src="./Seg_UKAN/doc/seg.png"/>
</div>

### 精度
数据集：busi，max epoch为400，训练框架：pytorch。

|    算法     |  Dice  |
|:---------:|:------:|
| U-KAN  | 78.75% |
| U-KAN-optimize | 79.64% |

## 应用场景
### 算法类别
`图像分割`
### 热点应用行业
`医疗,电商,制造,能源`
## 源码仓库及问题反馈
- http://developer.sourcefind.cn/codes/modelzoo/u-kan-optimize_pytorch.git
## 参考资料
- https://github.com/CUHK-AIM-Group/U-KAN.git
- https://github.com/KindXiaoming/pykan.git
- https://kindxiaoming.github.io/pykan/