医学图像计算的开源深度学习平台
PYMIC的Python项目详细描述
PyMIC:一个基于Pytorch的医学图像计算工具包
这个存储库提供了一个库和一些使用pytorch进行医学图像计算的示例。工具包正在开发中。目前支持二维和三维图像分割。它最初是为从CT图像中分割COVID-19肺炎病变而开发的。如果您使用此工具包,请引用以下论文:
- G、 王,刘X,李春丽,徐志军,阮杰,朱海峰,孟婷,李克强,黄怒波,张S。 A Noise-robust Framework for Automatic Segmentation of COVID-19 Pneumonia Lesions from CT Images.IEEE医学影像学汇刊。2020DOI:10.1109/TMI.2020.3000314
要求
- Pytorch版本>;=1.0.1
- TensorboardX可视化培训表现
- 一些常见的python包,比如Numpy、Pandas、SimpleITK
优势
该软件包提供了一些医学图像计算的基本模块,可供不同的应用程序共享。我们目前提供以下功能:
- 易于使用的I/O接口读写不同的二维和三维图像。在
- 可重复使用的培训和测试管道,可以转移到不同的任务。在
- 将张量送入网络之前的各种数据预处理方法。在
- 损失函数的实现(用于图像分割)。在
- 实现评估指标以获得对您的方法的定量评估(用于细分)。在
使用
运行以下命令安装PyMIC:
pip install PYMIC
转到examples
查看一些使用PyMIC的示例。对于初学者,您只需更改配置文件,以选择不同的数据集、网络和运行代码的培训方法(示例1-3)。对于高级用户,您可以基于这个包开发自己的模块(示例4)。您可以找到以下示例:
1,examples\JSRT
:使用预定义的2du-Net从X射线图像中分割心脏。在
2,examples\fetal_hc
:使用预定义的2du-Net从超声图像中分割胎儿大脑。在
3,examples\prostate
:使用预定义的3D U-Net从3D MRI中分割前列腺。在
4,examples\JSRT2
:自己定义一个网络,用于从X射线图像中分割心脏。在
基于PyMIC的项目
使用PyMIC,可以很容易地为不同的项目开发深度学习模型,例如:
1,COPLE-NetCOVID-19肺炎CT图像分割。在
头颈部CT图像中鼻咽癌GTV的分割。在
- 项目
标签: