MedicalZooPytorch
1.0.0
نحن نؤمن بشدة بأبحاث التعلم العميق المفتوح والقابلة للتكرار . هدفنا هو تنفيذ مكتبة تجزئة الصور الطبية مفتوحة المصدر في الشبكات العصبية العميقة ثلاثية الأبعاد في Pytorch . قمنا أيضًا بتنفيذ مجموعة من لوادر البيانات لمجموعات بيانات الصور الطبية الأكثر شيوعًا. بدأ هذا المشروع أطروحة ماجستير ويخضع حاليًا إلى مزيد من التطوير. على الرغم من أن هذا العمل كان يركز مبدئيًا على تجزئة MRI ثلاثية الأبعاد متعددة الوسائط ، فإننا نضيف ببطء المزيد من الهياكل وعمليات تحميل البيانات.
[تحديث] 21-07 لقد تلقينا للتو وحدة معالجة الرسومات الجديدة. تم تأجيل مشروع تطوير المشروع بسبب نقص الموارد الحسابية. سنعود مع المزيد من التحديثات. يرجى مشاهدة مستودع github الخاص بنا لإعلام الإصدارات. نحن نبحث دائمًا عن مساهمات شغوفة مفتوحة المصدر. سيتم إعطاء الاعتمادات الكاملة.
إذا كنت تريد أن تفهم بسرعة المفاهيم الأساسية للتعلم العميق في التصوير الطبي ، فإننا ننصح بشدة التحقق من منشور مدونتنا. نحن نقدم نظرة عامة عامة عالية المستوى على جميع جوانب تجزئة الصور الطبية والتعلم العميق. للحصول على نظرة عامة أوسع على تطبيقات التصوير بالرنين المغناطيسي ، ابحث عن أحدث مقالة مراجعة.
لفهم مفاهيم التصوير الطبي الأكثر أساسية ، تحقق من منشورنا على أنظمة الإحداثيات وصور DICOM.
للحصول على نهج أكثر شمولية بشأن التعلم العميق في التصوير بالرنين المغناطيسي ، يمكنك أن تنصح أطروحتي بهذا.
بدلاً من ذلك ، يمكنك إنشاء بيئة افتراضية وتثبيت المتطلبات. تحقق من مجلد التثبيت لمزيد من التعليمات.
يمكنك أيضًا إلقاء نظرة سريعة على الدليل.
إذا لم يكن لديك بيئة أو جهاز قادر لتشغيل هذه المشاريع ، فيمكنك تجربة Google Colab. يتيح لك تشغيل المشروع باستخدام جهاز GPU ، مجانًا. يمكنك تجربة عرض كولاب الخاص بنا باستخدام دفتر الملاحظات:
| مهمة | معلومات البيانات/ الطرائق | قطار/اختبار | حجم الحجم | فصول | حجم مجموعة البيانات (GB) |
|---|---|---|---|---|---|
| iseg 2017 | T1 ، T2 | 10/10 | 144x192x256 | 4 | 0.72 |
| ISEG 2019 | T1 ، T2 | 10/13 | 144x192x256 | 4 | 0.75 |
| Miccai Brats2018 | Flair ، T1W ، T1GD ، T2W | 285 / - | 240x240x155 | 9 أو 4 | 2.4 |
| Miccai Brats2019 | Flair ، T1W ، T1GD ، T2W | 335 /125 | 240x240x155 | 9 أو 4 | 4 |
| Mrbrains 2018 | Flair ، T1W ، T1GD ، T2W | 8 | 240x240x48 | 9 أو 4 | 0.5 |
| مجموعة بيانات تنمية الدماغ ixi | T1 ، T2 لا تسميات | 581 | (110 ~ 150) x256x256 | - | 8.7 |
| تحدي Miccai Gleason 2019 | صور علم الأمراض 2D | ~ 250 | 5K × 5K | - | 2.5 |
| نموذج | # params (M) | Macs (ز) | ISEG 2017 DSC (٪) | السيد-برينز 4 فصول DSC (٪) |
|---|---|---|---|---|
| unet3d | 17 م | 0.9 | 93.84 | 88.61 |
| vnet | 45 م | 12 | 87.21 | 84.09 |
| Densenet3d | 3 م | 5.1 | 81.65 | 79.85 |
| Skipdensenet3d | 1.5 م | 31 | - | - |
| Densevoxelnet | 1.8 م | 8 | - | - |
| Hyperdensenet | 10.4 م | 5.8 | - | - |
python ./examples/train_iseg2017_new.py --args
python ./examples/train_mrbrains_4_classes.py --args
python ./examples/train_mrbrains_9_classes.py --args
python ./examples/test_miccai_2019.py --args
python ./tests/inference.py --args
نحن نقدم بعض التطبيقات حول Covid-19 للأغراض الإنسانية. بالتفصيل:
مجموعة بيانات Covid-CT
مجموعة بيانات Covidx
إذا كنت تحب هذا المستودع حقًا وتجدها مفيدة ، فيرجى مراعاة (★) بطولة ذلك ، بحيث يمكن أن تصل إلى جمهور أوسع من الأشخاص المتشابهين في التفكير. سيكون موضع تقدير كبير :)!
إذا وجدت خطأ ، قم بإنشاء مشكلة github ، أو حتى أفضل ، إرسال طلب سحب. وبالمثل ، إذا كانت لديك أسئلة ، فما عليك سوى نشرها كمسائل github. مزيد من المعلومات حول دليل المساهمة.
يرجى تقديم المشورة إلى ملف الترخيص . لاستخدام مكتبات الجهات الخارجية والمستودعات ، يرجى تقديم المشورة للشروط الموزعة المعنية. سيكون من الجيد الاستشهاد بالنماذج الأصلية ومجموعات البيانات . إذا كنت تريد ، يمكنك أيضًا الاستشهاد بهذا العمل على النحو التالي:
@MastersThesis{adaloglou2019MRIsegmentation,
author = {Adaloglou Nikolaos},
title={Deep learning in medical image analysis: a comparative analysis of
multi-modal brain-MRI segmentation with 3D deep neural networks},
school = {University of Patras},
note="url{https://github.com/black0017/MedicalZooPytorch}",
year = {2019},
organization={Nemertes}}
بشكل عام ، في مجتمع المصادر المفتوحة ، يزيد من مرافق الطرف الثالث من مصداقية برنامجك. في التعلم العميق ، يميل الأكاديميون إلى تخطي الاعتراف بإعادة تدوين الطرف الثالث لسبب ما . في جوهرها ، استخدمنا أي مورد نحتاجه لجعل هذا المشروع مكتملًا ذاتيًا ، وقد تم كتابته بشكل جيد. ومع ذلك ، تم إجراء التعديلات لمطابقة بنية المشروع والمتطلبات . فيما يلي قائمة الأعمال ذات الأعلى : نموذج Hyperdensenet. معظم خسائر التجزئة من هنا. نموذج 3D-Skipdensenet من هنا. نموذج قاعدة 3D RESNET من هنا. فئة النموذج التجريدي من مشروع التقليد. مدرب وكاتب فئة من قالب بيتورش. تنفيذ Covid-19 بناءً على عملنا السابق من هنا. Miccai 2019 Gleason Challenge Roaders استنادًا إلى عملنا السابق من هنا. تطبيق UNET الأساسي من هنا. نموذج VNET من هنا
