SNU_challenge: Duya(두야)

by Duya Team (Seoyoon Moon, Hyun Park)

2021 SNU FastMRI challenge

Environment

Spec

 Ubuntu 20.04.2 LTS [ubuntu18.04 in docker container)
 GeForce RTX 3090 3개
 Driver Version: 460.91.03    CUDA Version: 11.1    cuDNN Version: 8
 Docker Engine Version: 20.10.6    NVIDIA Docker: 2.6.0
 pytorch:1.9.0+cu111    torchvision==0.10.0+cu111

Method1. Docker

학습을 위해 Docker image [nemodleo/pytorch:SNUFastMRI-jupyter]를 사용합니다.

Duya 팀은 root권한을 줄인 도커 이미지[nemodleo/pytorch:FastMRI-jupyter]를 이용하였습니다.

[참고: 도커파일]

docker build -t nemodleo/pytorch:SNUFastMRI-jupyter .

docker push nemodleo/pytorch:SNUFastMRI-jupyter

docker run \
--rm \
-it \
-p 10010:8888 \
--gpus all \
-v {SNU_challenge 폴더}:/SNU_challenge \
--ipc=host \
nemodleo/pytorch:SNUFastMRI-jupyter \
/bin/bash

Method2. Other

도커 환경과 동일한 환경은 다음과 같습니다. 도커 환경 기준으로만 동작함을 확인하였습니다.

자세한 환경은 /SNU_challenge/requirements.txt을 참고하세요.

pip install -r requirements.txt

Issue

torchvision ssim에서 문제 발생 시, 다음을 시도하세요.

sudo apt update
sudo apt-get install -y libglib2.0-0 libsm6 libxrender1 libxext6

Data preparation

Using only images (our best)

1. Save .h5 images to .npy

# assert your current directory is 'SNU_challenge'
python ./Code/utils/data/save_data_npy.py \
--root_train './Data/train/' \
--root_valid './Data/val/' \
--root_test './Data/Image_Leaderboard/' \
--save_dir './Data/image'

Using k-space

1. Preprocessing of kspace ( Espirit & PCA )

kspace을 Espirit & PCA하고난 data(4x384x834)를 "../Data/kspace_processed"에 저장하고 data의 outliers의 위치를 모아 outliers[!].npy file을 생성한다. (단, kspace_processed store dir인 "../Data/kspace_processed"에 다른 .npy file을 두지 마시오.)

시간 단축을 위해 병렬로 계산하기를 추천한다. 병렬처리를 따로 구현하지 않았습니다.

cd Code/

# train kspace data
python preprocessing_kspace.py  -l train -d ../Data/kspace -s ../Data/kspace_processed -n -1 -o y

# test(Leaderboard) kspace data
python preprocessing_kspace.py -l test -d ../Data/kspace_Leaderboard -s ../Data/kspace_processed -n -1  -o y

python preprocessing_kspace.py --dir=DIRECTORY_OF_KSPACE --store-dir=STORE_DIRETORY_OF_KSPACE_PROCESSED --num-target=LIST_OF_TARGET_KSPACE_NUMBERS(ALL_IS_-1) --train-or-test=TRAIN_OR_TEST --outliers-store OUTLIERS_STORE[y/n] --esp-kernel=ESPIRIT_KERNEL_SIZE --esp-region=ESPIRIT_REGION_SIZE --esp-t=ESPIRIT_T_FACTOR --esp-c=ESPIRIT_C_FACTOR 을 참고하세요.

2. Merge outliers files

1과정에서 생성된 outliers[!].npy들을 하나의 outliers.npy파일로 만든다. 분산처리를 하지 않았다면 두 개이하의 outliers[!].npy을 하나의 outliers.npy파일로 병합합니다.

cd Code/
python outliers.py -d ../Data/kspace_processed

Training & Make reconstructed files

Using only images (our best)

1. Modify the run_script.sh file

• Our model size is up to 14GB. For data parallelization, set --gpu '0,1'
• set directories:
  • --data_path_train: Data path to train npy files
  • --data_path_val: Data path to validation npy files
  • --data_path_test: Data path to test npy files (leader board)
  • --data_save_test: Directory to save reconstructed data

cd Code/
bash run_script.sh

Using k-space

cd Code/
bash run_script_kspace.sh

Evaluation

# assert your current directory is 'SNU_challenge'
python ./Code/leaderboard_eval.py

Contact

Please contact us if any question or suggestion

Moon Seoyoon mrn538@snu.ac.kr, Park Hyun nemod.leo@snu.ac.kr