MedicalZooPytorch
1.0.0
เราเชื่อมั่นใน การวิจัยการเรียนรู้เชิงลึกที่เปิดกว้างและทำซ้ำได้ เป้าหมายของเราคือการใช้ ห้องสมุดการแบ่งส่วนภาพการแพทย์โอเพนซอร์สของเครือข่ายประสาทลึก 3D ใน Pytorch นอกจากนี้เรายังได้ใช้งานตัวโหลดข้อมูลจำนวนมากของชุดข้อมูลภาพทางการแพทย์ที่พบมากที่สุด โครงการนี้เริ่มต้นเป็นวิทยานิพนธ์ MSC และกำลังอยู่ระหว่างการพัฒนาต่อไป แม้ว่างานนี้จะมุ่งเน้นไปที่ การแบ่งส่วน MRI ของสมองหลายรูปแบบ 3D แต่ เราก็ค่อยๆเพิ่มสถาปัตยกรรมและโหลดข้อมูลมากขึ้น
[อัปเดต] 21-07 เราเพิ่งได้รับ GPU ใหม่เอี่ยม การพัฒนาโครงการถูกเลื่อนออกไปเนื่องจากขาดทรัพยากรการคำนวณ เราจะกลับมาพร้อมกับการอัปเดตเพิ่มเติม โปรดดูที่เก็บ GitHub ของเราเพื่อรับการแจ้งเตือน เรามักจะมองหาแหล่งโอเพนซอร์สที่หลงใหล เครดิตเต็มจะได้รับ
หากคุณต้องการเข้าใจแนวคิดพื้นฐานสำหรับการเรียนรู้อย่างลึกซึ้งในการถ่ายภาพทางการแพทย์เราขอแนะนำอย่างยิ่งในการตรวจสอบโพสต์บล็อกของเรา เราให้ภาพรวมระดับสูงทั่วไปของทุกแง่มุมของการแบ่งส่วนภาพทางการแพทย์และการเรียนรู้อย่างลึกซึ้ง สำหรับภาพรวมที่กว้างขึ้นเกี่ยวกับแอปพลิเคชัน MRI ค้นหาบทความรีวิวล่าสุดของฉัน
หากต้องการเข้าใจแนวคิดการถ่ายภาพทางการแพทย์ขั้นพื้นฐานมากขึ้นลองดูโพสต์ของเราเกี่ยวกับระบบพิกัดและภาพ DICOM
สำหรับวิธีการแบบองค์รวมมากขึ้นเกี่ยวกับการเรียนรู้อย่างลึกซึ้งใน MRI คุณอาจแนะนำวิทยานิพนธ์ของฉัน
หรือคุณสามารถสร้าง สภาพแวดล้อมเสมือนจริง และติดตั้งข้อกำหนด ตรวจสอบโฟลเดอร์การติดตั้งสำหรับคำแนะนำเพิ่มเติม
นอกจากนี้คุณยังสามารถดูคู่มือได้อย่างรวดเร็ว
หากคุณไม่มีสภาพแวดล้อมหรืออุปกรณ์ที่มีความสามารถในการเรียกใช้โครงการนี้คุณสามารถลองใช้ Google Colab ได้ ช่วยให้คุณเรียกใช้โครงการโดยใช้อุปกรณ์ GPU โดยไม่เสียค่าใช้จ่าย คุณสามารถลองตัวอย่าง colab ของเราโดยใช้สมุดบันทึกนี้:
| งาน | ข้อมูลข้อมูล/ modalities | รถไฟ/ทดสอบ | ขนาดปริมาณ | ชั้นเรียน | ขนาดชุดข้อมูล (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 หรือ 4 | 2.4 |
| MICCAI BRATS2019 | Flair, T1W, T1GD, T2W | 335 /125 | 240x240x155 | 9 หรือ 4 | 4 |
| Mrbrains 2018 | Flair, T1W, T1GD, T2W | 8 | 240x240x48 | 9 หรือ 4 | 0.5 |
| ชุดข้อมูลการพัฒนาสมอง IXI | t1, t2 ไม่มีฉลาก | 581 | (110 ~ 150) x256x256 | - | 8.7 |
| Miccai Gleason 2019 Challenge | ภาพพยาธิวิทยา 2D | ~ 250 | 5k x 5k | - | 2.5 |
| แบบอย่าง | # params (m) | Macs (G) | ISEG 2017 DSC (%) | MR-Brains 4 คลาส DSC (%) |
|---|---|---|---|---|
| unet3d | 17 ม. | 0.9 | 93.84 | 88.61 |
| VNET | 45 ม. | 12 | 87.21 | 84.09 |
| densenet3d | 3 ม. | 5.1 | 81.65 | 79.85 |
| skipdensenet3d | 1.5 ม. | 31 | - | - |
| Densevoxelnet | 1.8 ม. | 8 | - | - |
| Hyperdensenet | 10.4 ม. | 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
เราให้การดำเนินการบางอย่างเกี่ยวกับ COVID-19 เพื่อจุดประสงค์ด้านมนุษยธรรม โดยละเอียด:
ชุดข้อมูล COVID-CT
ชุดข้อมูล COVIDX
หากคุณ ชอบ ที่เก็บนี้และพบว่ามีประโยชน์โปรดพิจารณา (★) นำแสดง โดยเพื่อให้สามารถเข้าถึงผู้ชมที่กว้างขึ้นของคนที่มีใจเดียวกัน มันจะได้รับการชื่นชมอย่างมาก :)!
หากคุณพบข้อผิดพลาดให้สร้างปัญหา GitHub หรือดีกว่าส่งคำขอดึง ในทำนองเดียวกันหากคุณมีคำถามเพียงโพสต์พวกเขาเป็นปัญหา GitHub ข้อมูลเพิ่มเติมเกี่ยวกับไดเรกทอรี Inpritude
โปรดแนะนำไฟล์ licence.md สำหรับการใช้ห้องสมุดบุคคลที่สามและที่เก็บโปรดแนะนำเงื่อนไขการแจกจ่ายที่เกี่ยวข้อง มันจะเป็นการดีที่จะอ้างถึง โมเดลและชุดข้อมูลดั้งเดิม หากคุณต้องการคุณสามารถ อ้างถึงงานนี้ เป็น:
@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}}
โดยทั่วไปในชุมชนโอเพ่นซอร์สที่ตระหนักถึงสาธารณูปโภคของบุคคลที่สามจะเพิ่มความน่าเชื่อถือของซอฟต์แวร์ของคุณ ในการเรียนรู้อย่างลึกซึ้ง นักวิชาการมีแนวโน้มที่จะข้ามการยอมรับ repos ของบุคคลที่สามด้วยเหตุผลบางอย่าง ในสาระสำคัญเราใช้ทรัพยากรใด ๆ ที่เราต้องการเพื่อทำให้โครงการนี้สมบูรณ์แบบซึ่งเขียนขึ้นอย่างดี อย่างไรก็ตาม มีการปรับเปลี่ยนเพื่อให้ตรงกับโครงสร้างโครงการและข้อกำหนด นี่คือรายการ ผลงานที่ยอดเยี่ยม : รุ่น Hyperdensenet ส่วนใหญ่ของการสูญเสียการแบ่งส่วนจากที่นี่ รุ่น 3D-Skipdensenet จากที่นี่ รุ่นฐาน 3D-ResNet จากที่นี่ บทคัดย่อคลาสโมเดลจากโครงการล้อเลียน ผู้ฝึกสอนและคลาสนักเขียนจากเทมเพลต Pytorch การใช้งาน COVID-19 ขึ้นอยู่กับงานก่อนหน้าของเราจากที่นี่ MICCAI 2019 Gleason Challenge Data Loaders ตามงานก่อนหน้าของเราจากที่นี่ การใช้งาน UNET 2D พื้นฐานจากที่นี่โมเดล VNET จากที่นี่
