nitrain

Nitrain：医学成像本地AI框架

Nitrain（以前是Torchsample ）是一个框架 - 不合骨的Python库，用于采样和增强医学图像，医学成像数据集的培训模型，并在医学成像环境中可视化结果。

Nitrain库是独一无二的，因为它通过提供合理的默认值和高级抽象来使训练模型尽可能简单。它还支持多个框架 - 火炬，Tensorflow和Keras-，目的是增加更多。

可以在“教程”页面上找到使用硝酸酯培训医学成像AI模型的完整示例。如果您对Medical Imaging AI感兴趣，请与Python一起查看实用的医学成像AI技术（预计2025年初）。

Quickstart

这是将硝酸链用于语义分割模型的示例，该模型证明了许多核心功能。

 import nitrain as nt
from nitrain . readers import ImageReader , ColumnReader

# create dataset from folder of images + participants file
dataset = nt . Dataset ( inputs = ImageReader ( 'sub-*/anat/*_T1w.nii.gz' ),
                     outputs = ImageReader ( 'sub-*/anat/*_aparc+aseg.nii.gz' ),
                     transforms = {
                         'inputs' : tx . NormalizeIntensity ( 0 , 1 ),
                         ( 'inputs' , 'outputs' ): tx . Resize (( 64 , 64 , 64 ))
                     },
                     base_dir = '~/desktop/ds004711/' )

# create loader with random transforms
loader = nt . Loader ( dataset ,
                   images_per_batch = 4 ,
                   sampler = nt . SliceSampler ( batch_size = 32 , axis = 2 )
                   transforms = {
                           'inputs' : tx . RandomNoise ( sd = 0.2 )
                   })

# create model from architecture
arch_fn = nt . fetch_architecture ( 'unet' , dim = 2 )
model = arch_fn ( input_image_size = ( 64 , 64 , 1 ),
                mode = 'segmentation' )

# create trainer and fit model
trainer = nt . Trainer ( model , task = 'segmentation' )
trainer . fit ( loader , epochs = 100 )

安装

硝酸的最新版本可以从PYPI中安装：

 pip install nitrain

或者，您可以直接从GitHub安装最新的开发版本：

 python -m pip install git+github.com/nitrain/nitrain.git

依赖性

蚂蚁python软件包是一个关键依赖性，可让您有效地阅读，操作和可视化医学图像。此外，您可以使用keras（tf.keras或keras3），tensorflow或pytorch作为创建模型的后端。

资源

以下链接可能有助于变得更加熟悉硝酸。

• 简介教程[链接]
• 细分示例[链接]
• 分类示例[链接]
• 注册示例[链接]

您还可以访问蚂蚁股票回购，以了解有关处理医学图像和执行传统医学成像分析的更多信息。

贡献

如果您有疑问或错误报告获得帮助的最佳方法是在GitHub页面上发布问题。我很乐意欢迎该项目的任何新贡献者或想法。如果您想添加代码，那么最好的开始方法是发布问题或通过[email protected]与我联系。

您可以通过主演存储库或在“问题”选项卡中发布功能请求来支持这项工作。这些行动有助于增加项目的影响力和社区影响力。