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：
欢迎加入QQ群-->： 979659372
