MedicalZooPytorch

Pytorch中的3D多模式医学图像分割库

我们坚信开放且可重现的深度学习研究。我们的目标是在Pytorch实施最先进的3D深神经网络的开源医学图像细分库。我们还实施了最常见的医疗图像数据集的一堆数据加载程序。该项目始于MSC论文，目前正在进一步发展。尽管这项工作最初集中在3D多模式大脑MRI分割上，但我们正在慢慢增加更多的架构和数据加载器。

首要任务21-07

[更新] 21-07我们刚刚收到了全新的GPU。由于缺乏计算资源，该项目的开发被推迟了。我们将回来更多更新。请观看我们的GitHub存储库以获取通知的发行版。我们一直在寻找热情的开源助推器。将提供完整的学分。

• 项目重组，API/CLI设计++
• 使用预训练模型的最小测试预测示例
• 重叠和非重叠推断
• 最终确定Brats数据集的预处理
• 将产生的3D分段段作为漂亮的文件
• 医疗图像十项全能数据加载机
• structsseg 2019挑战数据加载机
• 2D体系结构的更多选项
• 重写手册
• 带有Google Colab支持的新笔记本

快速开始

• 如果您想快速了解医学成像中深度学习的基本概念，我们强烈建议您查看我们的博客文章。我们提供了有关医学图像细分和深度学习各个方面的一般高级概述。有关MRI应用程序的更广泛概述，请找到我的最新评论文章。

• 要掌握更多基本的医学成像概念，请查看我们有关坐标系和DICOM图像的帖子。

• 有关MRI深度学习的更全面方法，您可能会建议我的论文。

• 另外，您可以创建虚拟环境并安装要求。检查安装文件夹以获取更多说明。

• 您也可以快速浏览手册。

• 如果您没有能力的环境或设备运行此项目，则可以尝试Google Colab。它允许您免费使用GPU设备运行项目。您可以使用此笔记本尝试我们的COLAB演示：

实施的体系结构

• U-NET3D学习密集的体积分割，从稀疏注释学习密集的体积分割从稀疏注释

• V-NET全卷积神经网络用于体积医学图像分割

• 使用自动编码器正则化Resnet3D-VAE 3D MRI脑肿瘤分割

• 用于生物医学图像分割的U-NET卷积网络

• skipdesnenet3d 3D密集卷积网络，用于体积分段

• 高密度网络A超远连接的CNN用于多模式图像分割

• 多模式图像分割的多式densenet3d超密集连接的CNN

• 密集体3D心血管MR分割，密集连接的体积弯曲

• 3D医学图像分析的Med3D转移学习

• 关于3D卷积网络的紧凑性，效率和表示的HighResnet3d：脑部分割作为借口任务

实施医学成像数据加载器

任务	数据信息/模式	火车/测试	音量大小	课程	数据集大小（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或4	2.4
Miccai Brats2019	Flair，T1W，T1GD，T2W	335 /125	240x240x155	9或4	4
MRBRAINS 2018	Flair，T1W，T1GD，T2W	8	240x240x48	9或4	0.5
IXI大脑开发数据集	T1，T2无标签	581	（110〜150）x256x256	-	8.7
Miccai Gleason 2019挑战	2D病理图像	〜250	5k x 5k	-	2.5

初步结果

ISEG-2017上的视觉结果

Iseg和Mr-Brains

模型	＃参数（M）	Mac（G）	ISEG 2017 DSC（％）	MR-Brains 4类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	-	-
密集voxelnet	1.8 m	8	-	-
超霉内烯	10.4 m	5.8	-	-

用法

如何训练模型

• 对于ISEG-2017 ：

 python ./examples/train_iseg2017_new.py --args

• 对于Brains先生2018 （4堂课）

 python ./examples/train_mrbrains_4_classes.py --args

• 对于Brains先生2018 （8堂课）

 python ./examples/train_mrbrains_9_classes.py --args

• 对于Miccai 2019 Gleason Challenge

 python ./examples/test_miccai_2019.py --args

• 您可以修改的论点在手册中广泛列出。

推理

如何在医疗图像中测试训练有素的模型

 python ./tests/inference.py --args

COVID-19分割和分类

我们出于人道主义目的提供了围绕Covid-19的一些实施。详细：

分类模型

• Covid-net量身定制的深卷积神经网络设计，用于从胸部射线照相图像中检测COVID-19病例

数据集

来自2D图像的分类：

• COVID-CT数据集

• COVIDX数据集

3D COVID-19分段数据集

• COVID-19 CT肺和感染分割数据集

最新功能（06/2020）

• 在Fly 3D总量可视化中
• Tensorboard和Pytorch 1.4+支持跟踪培训进度
• 代码清理和包装创建
• 离线子体积生成
• 添加Hyperdensenet，3dresnet-vae，致密voxelnet
• 修复MRBRAINS，BRATS2018，BRATS2019，ISEG2019，IXI，MICCAI 2019 GLEANASON CAMPLIEND DATALOALOADER
• 添加混淆矩阵支持以了解训练动态
• 一些可视化

支持

如果您真的很喜欢这个存储库并发现它有用，请考虑（★）主演它，以便它可以吸引更多志趣相投的人。非常感谢:)！

为医疗动物园做出贡献

如果您找到错误，创建GitHub问题，甚至更好，请提交拉动请求。同样，如果您有疑问，只需将它们发布为GitHub问题即可。有关贡献目录的更多信息。

现任团队

伊利亚斯酱，Sergios Karagianakos和Nikolas Adaloglou

许可，引用和致谢

请建议许可证文件。对于第三方库和存储库的使用，请告知各自的分布式条款。引用原始型号和数据集将很高兴。如果愿意，您也可以将此作品引用为：

 @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}}

致谢

通常，在开源社区中，承认第三方公用事业会提高您的软件的信誉。在深度学习中，出于某种原因，学者倾向于跳过承认第三方存储库。从本质上讲，我们使用了所需的任何资源来使这个项目自我完成，这是很好的编写。但是，进行了修改以匹配项目结构和要求。这是顶级作品的列表：HyperDenseNet模型。大多数细分损失从这里造成。 3D-SKIPDENSENET模型。 3D-RESNET基本模型。来自模仿项目的摘要模型类。 Pytorch模板的培训师和作家课。 COVID-19基于我们以前的工作的实施。 Miccai 2019 Gleason挑战数据加载程序基于我们以前的工作。基本2D UNET实现此处。VNET模型