nitrain

Nitrain：醫學成像本地AI框架

Nitrain（以前是Torchsample ）是一個框架 - 不合骨的Python庫，用於採樣和增強醫學圖像，醫學成像數據集的培訓模型，並在醫學成像環境中可視化結果。

Nitrain庫是獨一無二的，因為它通過提供合理的默認值和高級抽象來使訓練模型盡可能簡單。它還支持多個框架 - 火炬，Tensorflow和Keras-，目的是增加更多。

可以在“教程”頁面上找到使用硝酸酯培訓醫學成像AI模型的完整示例。如果您對Medical Imaging AI感興趣，請與Python一起查看實用的醫學成像AI技術（預計2025年初）。

Quickstart

這是將硝酸鏈用於語義分割模型的示例，該模型證明了許多核心功能。

 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 )

安裝

硝酸的最新版本可以從PYPI中安裝：

 pip install nitrain

或者，您可以直接從GitHub安裝最新的開發版本：

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

依賴性

螞蟻python軟件包是一個關鍵依賴性，可讓您有效地閱讀，操作和可視化醫學圖像。此外，您可以使用keras（tf.keras或keras3），tensorflow或pytorch作為創建模型的後端。

資源

以下鏈接可能有助於變得更加熟悉硝酸。

• 簡介教程[鏈接]
• 細分示例[鏈接]
• 分類示例[鏈接]
• 註冊示例[鏈接]

您還可以訪問螞蟻股票回購，以了解有關處理醫學圖像和執行傳統醫學成像分析的更多信息。

貢獻

如果您有疑問或錯誤報告獲得幫助的最佳方法是在GitHub頁面上發布問題。我很樂意歡迎該項目的任何新貢獻者或想法。如果您想添加代碼，那麼最好的開始方法是發布問題或通過[email protected]與我聯繫。

您可以通過主演存儲庫或在“問題”選項卡中發布功能請求來支持這項工作。這些行動有助於增加項目的影響力和社區影響力。