MedicalZooPytorch
1.0.0
우리는 개방적이고 재현 가능한 딥 러닝 연구를 강력하게 믿습니다. 우리의 목표는 Pytorch에서 ART 3D 심해 신경망의 최첨단 의료 이미지 세분화 라이브러리를 구현하는 것입니다. 또한 가장 일반적인 의료 이미지 데이터 세트의 데이터 로더도 구현했습니다. 이 프로젝트는 MSC 논문으로 시작되었으며 현재 추가 개발 중입니다. 이 작업은 처음에는 3D 다중 모달 뇌 MRI 세분화 에 중점을 두었지만 더 많은 아키텍처와 데이터 로더를 천천히 추가하고 있습니다.
[업데이트] 21-07 방금 새로운 GPU를 받았습니다. 프로젝트 개발은 계산 자원 부족으로 인해 연기되었습니다. 우리는 더 많은 업데이트로 돌아올 것입니다. 릴리스에 알림을 받으려면 Github 저장소를 참조하십시오. 우리는 항상 열정적 인 오픈 소스 기여를 찾고 있습니다. 전체 크레딧이 제공됩니다.
의료 이미징에서 딥 러닝을위한 기본 개념을 빠르게 이해하려면 블로그 게시물을 확인하기위한 조언을 강력히 조언합니다. 우리는 의료 이미지 세분화 및 딥 러닝의 모든 측면에 대한 일반적인 고급 개요를 제공합니다. MRI 응용 프로그램에 대한 광범위한 개요는 최신 검토 기사를 찾으십시오.
보다 근본적인 의료 이미징 개념을 파악하려면 좌표 시스템 및 DICOM 이미지에 대한 게시물을 확인하십시오.
MRI의 딥 러닝에 대한보다 전체적인 접근 방식은 내 논문에 조언 할 수 있습니다.
또는 가상 환경을 만들고 요구 사항을 설치할 수 있습니다. 더 많은 지침은 설치 폴더를 확인하십시오.
당신은 또한 매뉴얼을 빠르게 살펴볼 수 있습니다.
이 프로젝트를 실행할 수있는 유능한 환경이나 장치가 없다면 Google Colab에게 시도해 볼 수 있습니다. 무료로 GPU 장치를 사용하여 프로젝트를 실행할 수 있습니다. 이 노트북을 사용하여 Colab 데모를 사용해 볼 수 있습니다.
| 일 | 데이터 정보/ 양식 | 기차/시험 | 볼륨 크기 | 수업 | 데이터 세트 크기 (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 또는 4 | 2.4 |
| MICCAI BRATS2019 | Flair, T1W, T1GD, T2W | 335 / 125 | 240x240x155 | 9 또는 4 | 4 |
| Mrbrains 2018 | Flair, T1W, T1GD, T2W | 8 | 240x240x48 | 9 또는 4 | 0.5 |
| IXI 뇌 개발 데이터 세트 | T1, T2 라벨 없음 | 581 | (110 ~ 150) x256x256 | - | 8.7 |
| Miccai Gleason 2019 챌린지 | 2D 병리학 이미지 | ~ 250 | 5k x 5k | - | 2.5 |
| 모델 | # params (m) | MacS (G) | ISEG 2017 DSC (%) | Mr-Brains 4 클래스 DSC (%) |
|---|---|---|---|---|
| UNET3D | 17m | 0.9 | 93.84 | 88.61 |
| vnet | 45m | 12 | 87.21 | 84.09 |
| densenet3d | 3m | 5.1 | 81.65 | 79.85 |
| skipdensenet3d | 1.5m | 31 | - | - |
| Densevoxelnet | 1.8m | 8 | - | - |
| Hyperdensenet | 10.4m | 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
우리는 인도 주의적 목적으로 Covid-19 주변의 일부 구현을 제공합니다. 상세히:
COVID-CT 데이터 세트
Covidx 데이터 세트
이 저장소가 정말 마음에 들고 유용하다면 (★) 출연하여 같은 생각을 가진 사람들의 광범위한 청중에게 다가 갈 수 있도록 고려하십시오. 그것은 매우 감사 할 것입니다 :)!
버그가있는 경우 GitHub 문제를 만들거나 더 나은 요청을 제출하십시오. 마찬가지로 궁금한 점이 있으면 Github 문제로 게시하십시오. Contrative Directory에 대한 자세한 정보.
license.md 파일에 조언하십시오. 타사 라이브러리 및 리포지토리를 사용하려면 해당 분산 약관에 조언하십시오. 원래 모델과 데이터 세트를 인용하는 것이 좋을 것입니다. 원한다면 이 작업을 다음과 같이 인용 할 수도 있습니다.
@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}}
일반적으로 오픈 소스 커뮤니티에서 타사 유틸리티를 인식하면 소프트웨어의 신뢰성이 높아집니다. 딥 러닝에서 학계는 어떤 이유로 든 제 3 자 저장소를 인정하는 것을 건너 뛰는 경향이 있습니다 . 본질적으로, 우리는이 프로젝트를 자체 완료하는 데 필요한 모든 리소스를 사용했습니다. 그러나 프로젝트 구조 및 요구 사항과 일치하도록 수정이 수행되었습니다 . 다음은 최고 기반 작품 의 목록입니다 : Hyperdensenet Model. 여기에서 대부분의 분할 손실. 여기에서 3D-skipdensenet 모델. 여기에서 3D-Resnet 기본 모델. Mimicry Project의 추상 모델 클래스. Pytorch Template의 트레이너 및 작가 수업. Covid-19 구현은 여기에서 이전의 이전 작업을 기반으로합니다. MICCAI 2019 GLEASON 챌린지 데이터 로더는 이전 작업을 기반으로합니다. 여기에서 VNET 모델에서 기본 2D UNET 구현
