MedicalZooPytorch

Pytorch中的3D多模式醫學圖像分割庫

我們堅信開放且可重現的深度學習研究。我們的目標是在Pytorch實施最先進的3D深神經網絡的開源醫學圖像細分庫。我們還實施了最常見的醫療圖像數據集的一堆數據加載程序。該項目始於MSC論文，目前正在進一步發展。儘管這項工作最初集中在3D多模式大腦MRI分割上，但我們正在慢慢增加更多的架構和數據加載器。

首要任務21-07

[更新] 21-07我們剛剛收到了全新的GPU。由於缺乏計算資源，該項目的開發被推遲了。我們將回來更多更新。請觀看我們的GitHub存儲庫以獲取通知的發行版。我們一直在尋找熱情的開源助推器。將提供完整的學分。

• 項目重組，API/CLI設計++
• 使用預訓練模型的最小測試預測示例
• 重疊和非重疊推斷
• 最終確定Brats數據集的預處理
• 將產生的3D分段段作為漂亮的文件
• 醫療圖像十項全能數據加載機
• structsseg 2019挑戰數據加載機
• 2D體系結構的更多選項
• 重寫手冊
• 帶有Google Colab支持的新筆記本

快速開始

• 如果您想快速了解醫學成像中深度學習的基本概念，我們強烈建議您查看我們的博客文章。我們提供了有關醫學圖像細分和深度學習各個方面的一般高級概述。有關MRI應用程序的更廣泛概述，請找到我的最新評論文章。

• 要掌握更多基本的醫學成像概念，請查看我們有關坐標系和DICOM圖像的帖子。

• 有關MRI深度學習的更全面方法，您可能會建議我的論文。

• 另外，您可以創建虛擬環境並安裝要求。檢查安裝文件夾以獲取更多說明。

• 您也可以快速瀏覽手冊。

• 如果您沒有能力的環境或設備運行此項目，則可以嘗試Google Colab。它允許您免費使用GPU設備運行項目。您可以使用此筆記本嘗試我們的COLAB演示：

實施的體系結構

• U-NET3D學習密集的體積分割，從稀疏註釋學習密集的體積分割從稀疏註釋

• V-NET全卷積神經網絡用於體積醫學圖像分割

• 使用自動編碼器正則化Resnet3D-VAE 3D MRI腦腫瘤分割

• 用於生物醫學圖像分割的U-NET卷積網絡

• skipdesnenet3d 3D密集卷積網絡，用於體積分段

• 高密度網絡A超遠連接的CNN用於多模式圖像分割

• 多模式圖像分割的多式densenet3d超密集連接的CNN

• 密集體3D心血管MR分割，密集連接的體積彎曲

• 3D醫學圖像分析的Med3D轉移學習

• 關於3D卷積網絡的緊湊性，效率和表示的HighResnet3d：腦部分割作為藉口任務

實施醫學成像數據加載器

任務	數據信息/模式	火車/測試	音量大小	課程	數據集大小（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大腦開發數據集	T1，T2無標籤	581	（110〜150）x256x256	-	8.7
Miccai Gleason 2019挑戰	2D病理圖像	〜250	5k x 5k	-	2.5

初步結果

ISEG-2017上的視覺結果

Iseg和Mr-Brains

模型	＃參數（M）	Mac（G）	ISEG 2017 DSC（％）	MR-Brains 4類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	-	-
超黴內烯	10.4 m	5.8	-	-

用法

如何訓練模型

• 對於ISEG-2017 ：

 python ./examples/train_iseg2017_new.py --args

• 對於Brains先生2018 （4堂課）

 python ./examples/train_mrbrains_4_classes.py --args

• 對於Brains先生2018 （8堂課）

 python ./examples/train_mrbrains_9_classes.py --args

• 對於Miccai 2019 Gleason Challenge

 python ./examples/test_miccai_2019.py --args

• 您可以修改的論點在手冊中廣泛列出。

推理

如何在醫療圖像中測試訓練有素的模型

 python ./tests/inference.py --args

COVID-19分割和分類

我們出於人道主義目的提供了圍繞Covid-19的一些實施。詳細：

分類模型

• Covid-net量身定制的深卷積神經網絡設計，用於從胸部射線照相圖像中檢測COVID-19病例

數據集

來自2D圖像的分類：

• COVID-CT數據集

• COVIDX數據集

3D COVID-19分段數據集

• COVID-19 CT肺和感染分割數據集

最新功能（06/2020）

• 在Fly 3D總量可視化中
• Tensorboard和Pytorch 1.4+支持跟踪培訓進度
• 代碼清理和包裝創建
• 離線子體積生成
• 添加Hyperdensenet，3dresnet-vae，緻密voxelnet
• 修復MRBRAINS，BRATS2018，BRATS2019，ISEG2019，IXI，MICCAI 2019 GLEANASON CAMPLIEND DATALOALOADER
• 添加混淆矩陣支持以了解訓練動態
• 一些可視化

支持

如果您真的很喜歡這個存儲庫並發現它有用，請考慮（★）主演它，以便它可以吸引更多志趣相投的人。非常感謝:)！

為醫療動物園做出貢獻

如果您找到錯誤，創建GitHub問題，甚至更好，請提交拉動請求。同樣，如果您有疑問，只需將它們發佈為GitHub問題即可。有關貢獻目錄的更多信息。

現任團隊

伊利亞斯醬，Sergios Karagianakos和Nikolas Adaloglou

許可，引用和致謝

請建議許可證文件。對於第三方庫和存儲庫的使用，請告知各自的分佈式條款。引用原始型號和數據集將很高興。如果願意，您也可以將此作品引用為：

 @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}}

致謝

通常，在開源社區中，承認第三方公用事業會提高您的軟件的信譽。在深度學習中，出於某種原因，學者傾向於跳過承認第三方存儲庫。從本質上講，我們使用了所需的任何資源來使這個項目自我完成，這是很好的編寫。但是，進行了修改以匹配項目結構和要求。這是頂級作品的列表：HyperDenseNet模型。大多數細分損失從這裡造成。 3D-SKIPDENSENET模型。 3D-RESNET基本模型。來自模仿項目的摘要模型類。 Pytorch模板的培訓師和作家課。 COVID-19基於我們以前的工作的實施。 Miccai 2019 Gleason挑戰數據加載程序基於我們以前的工作。基本2D UNET實現此處。 VNET模型