MedicalZooPytorch
1.0.0
Wir glauben fest an offene und reproduzierbare tiefe Lernforschung . Unser Ziel ist es, eine Open-Source -Segmentierungsbibliothek für medizinische Bild von State of the Art 3D Deep Neural Networks in Pytorch umzusetzen. Wir haben auch eine Reihe von Datenladern der häufigsten medizinischen Bilddatensätze implementiert. Dieses Projekt begann als MSC -These und befindet sich derzeit in der weiteren Entwicklung. Obwohl sich diese Arbeit ursprünglich auf die 3D-Multimodal-Hirn-MRT-Segmentierung konzentrierte, fügen wir langsam mehr Architekturen und Datenlader hinzu.
[Update] 21-07 Wir haben gerade eine brandneue GPU erhalten. Die Projektentwicklung wurde aufgrund mangelnder Rechenressourcen verschoben. Wir werden mit weiteren Updates zurück sein. Bitte beobachten Sie unser Github -Repository, damit Sie veröffentlichen können. Wir sind immer auf der Suche nach leidenschaftlichen Open-Source-Mitwirkenden. Vollständige Credits werden gegeben.
Wenn Sie die grundlegenden Konzepte für das Deep -Lernen in der medizinischen Bildgebung schnell verstehen möchten, raten wir dringend, unseren Blog -Beitrag zu überprüfen. Wir bieten einen allgemeinen Überblick über alle Aspekte der Segmentierung medizinischer Bild und tiefes Lernen. Eine breitere Übersicht über MRT -Bewerbungen finden Sie in meinem neuesten Übersichtsartikel.
Um grundlegende medizinische Bildgebungskonzepte zu erfassen, lesen Sie unseren Beitrag zu Koordinatensystemen und DICOM -Bildern.
Für einen ganzheitlicheren Ansatz zum Deep -Lernen in der MRT können Sie meine These beraten.
Alternativ können Sie eine virtuelle Umgebung erstellen und die Anforderungen installieren. Weitere Anweisungen finden Sie im Installationsordner.
Sie können auch einen kurzen Blick auf das Handbuch werfen.
Wenn Sie keine fähige Umgebung oder ein Gerät zum Ausführen dieser Projekte haben, können Sie Google Colab versuchen. Sie können das Projekt kostenlos mit einem GPU -Gerät ausführen. Sie können unsere Colab -Demo mit diesem Notebook ausprobieren:
| Aufgabe | Dateninformationen/ Modalitäten | Zug/Test | Volumengröße | Klassen | Datensatzgröße (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 oder 4 | 2.4 |
| Miccai Brats2019 | Flair, T1W, T1GD, T2W | 335 /125 | 240x240x155 | 9 oder 4 | 4 |
| Mrbrains 2018 | Flair, T1W, T1GD, T2W | 8 | 240x240x48 | 9 oder 4 | 0,5 |
| Ixi Brain Development Dataset | T1, T2 Keine Etiketten | 581 | (110 ~ 150) x256x256 | - - | 8.7 |
| Miccai Gleason 2019 Challenge | 2D -Pathologiebilder | ~ 250 | 5k x 5k | - - | 2.5 |
| Modell | # Params (m) | Macs (g) | IEG 2017 DSC (%) | MR-BRAINS 4 Klassen DSC (%) |
|---|---|---|---|---|
| Unet3d | 17 m | 0,9 | 93.84 | 88.61 |
| Vnet | 45 m | 12 | 87.21 | 84.09 |
| Densenet3d | 3 m | 5.1 | 81.65 | 79,85 |
| SkipDensenet3d | 1,5 m | 31 | - - | - - |
| Densevoxelnet | 1,8 m | 8 | - - | - - |
| Hyperdensenet | 10,4 m | 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
Wir bieten einige Implementierungen rund um Covid-19 für humanitäre Zwecke an. Ausführlich:
Covid-CT-Datensatz
Covidx -Datensatz
Wenn Sie dieses Repository wirklich mögen und es nützlich finden, sollten Sie ihn (★) mit der Hauptrolle in Betracht ziehen, damit es ein breiteres Publikum von Gleichgesinnten erreichen kann. Es wäre sehr geschätzt :)!
Wenn Sie einen Fehler finden, erstellen Sie ein Github -Problem oder senden Sie eine Pull -Anfrage. Wenn Sie Fragen haben, veröffentlichen Sie sie einfach als Github -Probleme. Weitere Informationen zum Verzeichnis von Beiträgen.
Bitte beraten Sie die lizenz.md -Datei. Für die Verwendung von Bibliotheken und Repositories Dritter beraten Sie bitte die jeweiligen verteilten Bedingungen. Es wäre schön, die Originalmodelle und Datensätze zu zitieren. Wenn Sie möchten, können Sie diese Arbeit auch als:
@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}}
Im Allgemeinen erhöht in der Open -Source -Community, die anerkannte Dienstprogramme von Drittanbietern, die Glaubwürdigkeit Ihrer Software. Im Deep Learning tendieren Akademiker dazu, aus irgendeinem Grund Repos Dritter anzuerkennen . Im Wesentlichen haben wir jede Ressource verwendet, die wir brauchten, um dieses Projekt selbst zu machen, das schön geschrieben wurde. Änderungen wurden jedoch durchgeführt, um die Projektstruktur und die Anforderungen entsprechen . Hier ist die Liste der Top-basierten Werke : Hyperdensenet-Modell. Die meisten Segmentierungsverluste von hier. 3D-Skipdensenet-Modell von hier. 3D-Resnet-Basismodell von hier. Zusammenfassung Modellklasse aus dem Mimikry -Projekt. Trainer und Schriftstellerklasse aus der Pytorch -Vorlage. COVID-19-Implementierung basierend auf unseren früheren Arbeiten von hier. MICCAI 2019 Gleason Challenge-Datenlader basierend auf unseren früheren Arbeiten von hier aus. Grundlegende 2D -UNET -Implementierung von hier.VNET -Modell von hier aus
