--- a
+++ b/README.md
@@ -0,0 +1,299 @@
+# 基于SAM2的心脏腔室CT分割项目 🫀
+
+[![License: MIT](https://img.shields.io/badge/License-MIT-yellow.svg)](https://opensource.org/licenses/MIT)
+[![Python 3.11.11+](https://img.shields.io/badge/python-3.8+-blue.svg)](https://www.python.org/downloads/)
+[![SAM2](https://img.shields.io/badge/SAM-2.0-green.svg)](https://github.com/facebookresearch/segment-anything-2)
+
+微调Segment Anything Model 2 (SAM2)用于心脏CT扫描腔室分割任务。本项目提供了用于训练SAM2模型进行心脏腔室分割的工具和指南。
+
+## 📋 目录
+
+- [项目概述](#项目概述)
+- [环境要求](#环境要求)
+- [安装步骤](#安装步骤)
+- [数据集准备](#数据集准备)
+- [使用方法](#使用方法)
+- [项目结构](#项目结构)
+
+## 📊 项目概述
+
+本项目专注于心脏CT扫描图像中以下腔室和组织的精确分割:
+- LA (左心房)
+- RA (右心房)
+- LV (左心室)
+- RV (右心室)
+- 心肌 (Myocardium)
+
+支持不同视角的心脏CT扫描:
+- a2c (两腔室视图)
+- a3c (三腔室视图)
+- a4c (四腔室视图)
+
+## 🔧 环境要求
+
+- Python 3.11.11
+- CUDA支持的GPU (推荐)
+- Git
+- 所需Python包
+
+## 🚀 安装步骤
+1. 克隆sam2仓库以及安装配置文件
+```bash
+git clone https://github.com/facebookresearch/segment-anything-2.git
+
+cd sam2; pip install -e .
+```
+2. 下载所有模型点：
+```bash
+cd checkpoints
+./download_ckpts.sh
+```
+
+3. 克隆此仓库:
+```bash
+cd sam2
+git clone https://github.com/ZHANGHAOYUAN324/SAM2-Fine-tuning.git
+```
+
+## 📊 数据集准备
+
+1. 准备心脏CT扫描图像以及对应掩码的的JSON标注文件:
+   ```
+   data_train/
+   ├── a2c/  # 两腔室视图数据
+   │   ├── PatientA0001_a2c_27.json
+   │   └── ...
+   ├── a3c/  # 三腔室视图数据
+   │   ├── PatientA0001_a3c_15.json
+   │   └── ...
+   └── a4c/  # 四腔室视图数据
+       ├── PatientA0001_a4c_42.json
+       └── ...
+   ```
+
+2. JSON标注格式 (Labelme格式):
+   ```json
+   {
+     "version": "3.16.7",
+     "flags": {},
+     "shapes": [
+       {
+         "label": "LV",
+         "points": [[x1, y1], [x2, y2], ...],
+         "shape_type": "polygon"
+       },
+       {
+         "label": "LA",
+         "points": [[x1, y1], [x2, y2], ...],
+         "shape_type": "polygon"
+       },
+       {
+         "label": "M",
+         "points": [[x1, y1], [x2, y2], ...],
+         "shape_type": "polygon"
+       }
+     ],
+     "imagePath": "PatientA0001_a2c_27.png"
+   }
+   ```
+
+3. 文件命名规范:
+   - 文件名中应包含病人ID (例如 PatientA0001)
+   - 文件名中应标明视角类型 (a2c, a3c, a4c)
+   - 每个图像文件必须有对应的同名JSON标注文件
+
+## 💻 使用方法
+
+1. 进入微调目录:
+```bash
+cd sam2
+```
+
+2. 启动并运行微调Jupyter笔记本:
+```bash
+jupyter notebook data_process.ipynb
+```
+
+3. 按照笔记本中的说明:
+   - 加载并预处理数据
+   - 生成可供sam2训练的原始图像以及掩码图像
+
+4.开始使用数据训练sam2模型
+```bash
+python training.py
+```
+5.使用训练好的模型进行预测生成原始掩码图，原始模型图以及微调模型图
+```bash
+python testing.py
+```
+
+
+## 📁 项目结构
+
+```
+├── assets
+│   ├── model_diagram.png
+│   └── sa_v_dataset.jpg
+├── backend.Dockerfile
+├── checkpoints
+│   ├── download_ckpts.sh
+│   ├── sam2.1_hiera_base_plus.pt
+│   ├── sam2.1_hiera_large.pt
+│   ├── sam2.1_hiera_small.pt
+│   └── sam2.1_hiera_tiny.pt
+├── check.py
+├── CODE_OF_CONDUCT.md
+├── CONTRIBUTING.md
+├── data_check.ipynb
+├── data_train
+│   ├── Annotations
+│   ├── JPEGImages
+│   ├── train.csv
+│   └── Visualization
+├── demo
+│   ├── backend
+│   ├── data
+│   ├── frontend
+│   └── README.md
+├── docker-compose.yaml
+├── example.ipynb
+├── INSTALL.md
+├── LICENSE
+├── LICENSE_cctorch
+├── MANIFEST.in
+├── Miniconda3-latest-MacOSX-arm64.sh
+├── models
+│   ├── model_10000.torch
+│   ├── model_1000.torch
+│   ├── model_11000.torch
+│   ├── model_12000.torch
+│   ├── model_13000.torch
+│   ├── model_14000.torch
+│   ├── model_15000.torch
+│   ├── model_16000.torch
+│   ├── model_17000.torch
+│   ├── model_18000.torch
+│   ├── model_19000.torch
+│   ├── model_20000.torch
+│   ├── model_2000.torch
+│   ├── model_21000.torch
+│   ├── model_22000.torch
+│   ├── model_23000.torch
+│   ├── model_24000.torch
+│   ├── model_25000.torch
+│   ├── model_26000.torch
+│   ├── model_27000.torch
+│   ├── model_28000.torch
+│   ├── model_29000.torch
+│   ├── model_30000.torch
+│   ├── model_3000.torch
+│   ├── model_31000.torch
+│   ├── model_32000.torch
+│   ├── model_33000.torch
+│   ├── model_34000.torch
+│   ├── model_35000.torch
+│   ├── model_36000.torch
+│   ├── model_37000.torch
+│   ├── model_38000.torch
+│   ├── model_39000.torch
+│   ├── model_40000.torch
+│   ├── model_4000.torch
+│   ├── model_41000.torch
+│   ├── model_42000.torch
+│   ├── model_43000.torch
+│   ├── model_44000.torch
+│   ├── model_45000.torch
+│   ├── model_46000.torch
+│   ├── model_47000.torch
+│   ├── model_48000.torch
+│   ├── model_49000.torch
+│   ├── model_5000.torch
+│   ├── model_6000.torch
+│   ├── model_7000.torch
+│   ├── model_8000.torch
+│   ├── model_9000.torch
+│   └── model_final.torch
+├── notebooks
+│   ├── automatic_mask_generator_example.ipynb
+│   ├── image_predictor_example.ipynb
+│   ├── images
+│   ├── video_predictor_example.ipynb
+│   └── videos
+├── pyproject.toml
+├── README.md
+├── RELEASE_NOTES.md
+├── results_comparison
+│   └── a4c_PatientD0062_a4c_93.jsonD_116
+├── sam2
+│   ├── automatic_mask_generator.py
+│   ├── benchmark.py
+│   ├── build_sam.py
+│   ├── configs
+│   ├── csrc
+│   ├── __init__.py
+│   ├── modeling
+│   ├── __pycache__
+│   ├── sam2_hiera_b+.yaml -> configs/sam2/sam2_hiera_b+.yaml
+│   ├── sam2_hiera_l.yaml -> configs/sam2/sam2_hiera_l.yaml
+│   ├── sam2_hiera_s.yaml -> configs/sam2/sam2_hiera_s.yaml
+│   ├── sam2_hiera_t.yaml -> configs/sam2/sam2_hiera_t.yaml
+│   ├── sam2_image_predictor.py
+│   ├── sam2_video_predictor_legacy.py
+│   ├── sam2_video_predictor.py
+│   └── utils
+├── SAM_2.egg-info
+│   ├── dependency_links.txt
+│   ├── PKG-INFO
+│   ├── requires.txt
+│   ├── SOURCES.txt
+│   └── top_level.txt
+├── sam2_training_visualization.png
+├── sav_dataset
+│   ├── example
+│   ├── LICENSE
+│   ├── LICENSE_DAVIS
+│   ├── LICENSE_VOS_BENCHMARK
+│   ├── README.md
+│   ├── requirements.txt
+│   ├── sav_evaluator.py
+│   ├── sav_visualization_example.ipynb
+│   └── utils
+├── setup.py
+├── testing.py
+├── tools
+│   ├── README.md
+│   └── vos_inference.py
+├── training
+│   ├── assets
+│   ├── dataset
+│   ├── __init__.py
+│   ├── loss_fns.py
+│   ├── model
+│   ├── optimizer.py
+│   ├── __pycache__
+│   ├── README.md
+│   ├── scripts
+│   ├── trainer.py
+│   ├── train.py
+│   └── utils
+├── training.ipynb
+├── training.py
+└── training_vis.py
+```
+
+## ⚠️ 注意事项
+
+1. 标签映射:
+   - "LA" - 左心房
+   - "RA" - 右心房
+   - "LV" - 左心室
+   - "RV" - 右心室
+   - "M" 或 "myocardium" - 心肌
+
+
+2. 模型选择:
+   - 默认使用SAM2 Hiera large模型
+   - 可以在notebooks中修改配置使用其他模型
+
+---
+基于心脏医学图像分析创建