torchio
v0.20.3
| Original | Blur aléatoire |
| Flip aléatoire | Bruit aléatoire |
| Transformation affine aléatoire | Transformation élastique aléatoire |
| Artefact de terrain de biais aléatoire | Artefact de mouvement aléatoire |
| Artefact de Spike aléatoire | Artefact fantôme aléatoire |
(File d'attente pour la formation basée sur les patchs)
Torchio est un package Python contenant un ensemble d'outils pour lire efficacement, prétraitement, échantillon, augmenter et écrire des images médicales 3D dans des applications d'apprentissage en profondeur écrites en pytorch, y compris l'intensité et les transformations spatiales pour l'augmentation des données et le prétraitement. Les transformations incluent des opérations de vision par ordinateur typiques telles que les transformations affines aléatoires et également celles spécifiques au domaine telles que la simulation d'artefacts d'intensité en raison de l'inhomogénéité magnétique IRM ou des artefacts de mouvement de l'espace K.
Ce package a été grandement inspiré par Niftynet, qui n'est plus activement entretenu.
Si vous aimez ce référentiel, veuillez cliquer sur Star!
Si vous utilisez ce package pour vos recherches, veuillez citer notre article:
F. Pérez-García, R. Sparks et S. Ourselin. Torchio: une bibliothèque Python pour un chargement efficace, un prétraitement, une augmentation et un échantillonnage basé sur les patchs d'images médicales dans l'apprentissage en profondeur . Méthodes et programmes informatiques dans la biomédecine (juin 2021), p. 106236. ISSN: 0169-2607.doi: 10.1016 / j.cmpb.2021.106236.
Entrée Bibtex:
@article { perez-garcia_torchio_2021 ,
title = { {TorchIO}: a {Python} library for efficient loading, preprocessing, augmentation and patch-based sampling of medical images in deep learning } ,
journal = { Computer Methods and Programs in Biomedicine } ,
pages = { 106236 } ,
year = { 2021 } ,
issn = { 0169-2607 } ,
doi = { https://doi.org/10.1016/j.cmpb.2021.106236 } ,
url = { https://www.sciencedirect.com/science/article/pii/S0169260721003102 } ,
author = { P{'e}rez-Garc{'i}a, Fernando and Sparks, Rachel and Ourselin, S{'e}bastien } ,
}Ce projet est soutenu par les institutions suivantes:
Voir le démarrage pour les instructions d'installation et un bonjour, monde! exemple.
Des exemples d'utilisation plus longs peuvent être trouvés dans les tutoriels.
Toute la documentation est hébergée sur Lire les documents.
Veuillez ouvrir un nouveau problème si vous pensez que quelque chose manque.
Merci à tous ces gens (clé emoji):
Fernando Pérez-García | valabreg ? ? ? | Gfabien ? ? | G.reguig | Niels Schurink | Ibrahim hadzic ? | Rubendo ? |
Julian Klug ? | David Völgyes ? | Jean-Christophe Fillion-Robin | Suraj Pai ? | Ben Darwin ? | Oeslle Lucena ? | Soumick Chatterjee |
neuronflow | Jan Witowski | Derk Mus ? | Christian Herz ? | Cory Efird ? | Esteban Vaca C. ? | Ray Phan ? |
Akis Linardos ? | Nina Montana-Brown ? | Fabien-brulport ? | malteekj ? | Andres Diaz-Pinto ? | Sarthak Pati ? | Gabriellakamlish ? |
Tyler Spears ? | Dagut | Xiangyu Zhao ? | siahuat0727 ? | Svdvoort | Albans98 | Matthew T. Warkentin |
glupol ? | Ramonémiliani93 ? | Justus Schock ? ? ? | Stefan Milorad Radonjić ? | Sajan Gohil ? | Ikko Ashimine | laynr |
Omar U. Espejel ? | James Butler ? | RES191 ? | nengwp ? | Susanveraclarke ? | Népersica ? | Sebastian Penhouet ? |
Bigselion ? | Dženan Zukić ? | VASL12 ✅? | François Rousseau ? | snavalm | Jacob Reinhold | Hsu ? |
snipdome ? | Smally ? | gui ? | Ayedsamy ? | J. Miguel Valverde ? ? | José Guilherme Almeida ? | Asim Usman ? |
CBRI92 ? | Markus J. Ankenbrand ? | Ziv Yaniv | Luca Lumetti | chagelo ? | mueur ? | Abdelwahab Kawafi ? |
Arthur Masson ? | 양현식 | Nicoloesch ? | Amund Vedal | Alabamagan ? | sbdoherty | Zhack47 ? |
Blake Dewey | Doyeon Kim ? | Konomaxi ? | Laurent Chauvin ? | Charnière chrétienne ? | zzz123xyz ? | Amin Alam |
Marius-SM ? | haarisr | Chris Winder ? | Ricky Walsh | Keerthi Sravan Ravi ? |
Ce projet suit les spécifications de tous les contributeurs. Contributions de toute nature bienvenue!
