Advertisement

Pytorch-3D-Medical-Image-Semantic-Segmentation: 用Pytorch实现3D医学图像...

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本项目使用PyTorch框架进行3D医学图像语义分割的研究与开发，致力于提高医疗影像分析的精度和效率。 Pytorch-3D-医学图像语义分割是我的私人研究资料库的发行版。随着研究进展，它将不断更新。 为什么我们需要AI来进行医学图像语义分割？放射治疗计划需要精确的轮廓以最大化目标覆盖范围，并同时最小化对周围高风险器官（OAR）的影响。医生的专业知识和经验水平不一，在手动绘制轮廓时会导致较大的观察者内变化。这种变化不仅存在于不同医生之间，也出现在同一医生的不同时间点上，从而增加了治疗计划中的不确定性，可能影响到最终的治疗效果。在现有的临床实践中，由医生进行的手动描绘过程非常耗时，并且当患者躺在沙发上等待适应性治疗时无法提供即时支持。 例子：CT切片、地面真相预言 更新日志： 2020年7月11日 - 更新基本训练/验证功能；模型：更深的3D残差U-net 2020年7月13日 - 更新模型至3D残差U-net，以及在数据加载器中加入了规范化控制

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Pytorch-3D-Medical-Image-Semantic-Segmentation: 用Pytorch实现3D医学图像...
    优质
    本项目使用PyTorch框架进行3D医学图像语义分割的研究与开发，致力于提高医疗影像分析的精度和效率。 Pytorch-3D-医学图像语义分割是我的私人研究资料库的发行版。随着研究进展，它将不断更新。 为什么我们需要AI来进行医学图像语义分割？放射治疗计划需要精确的轮廓以最大化目标覆盖范围，并同时最小化对周围高风险器官（OAR）的影响。医生的专业知识和经验水平不一，在手动绘制轮廓时会导致较大的观察者内变化。这种变化不仅存在于不同医生之间，也出现在同一医生的不同时间点上，从而增加了治疗计划中的不确定性，可能影响到最终的治疗效果。在现有的临床实践中，由医生进行的手动描绘过程非常耗时，并且当患者躺在沙发上等待适应性治疗时无法提供即时支持。 例子：CT切片、地面真相预言 更新日志： 2020年7月11日 - 更新基本训练/验证功能；模型：更深的3D残差U-net 2020年7月13日 - 更新模型至3D残差U-net，以及在数据加载器中加入了规范化控制
     
  • 3D-GAN-PyTorch: PyTorch下的3D-GAN实现
    优质
    3D-GAN-PyTorch是一款基于PyTorch框架开发的深度学习项目，专注于三维生成对抗网络（3D-GAN）模型的构建与训练。 3D-GAN-火炬Pytorch实现。数据集可以通过wget命令下载http://3dshapenets.cs.princeton.edu/3DShapeNetsCode.zip，然后使用unzip解压文件，并将解压后的目录重命名为ModelNet。具体步骤如下： 1. 使用 wget 命令下载数据集：`wget http://3dshapenets.cs.princeton.edu/3DShapeNetsCode.zip` 2. 解压缩下载的文件：`unzip 3DShapeNetsCode.zip` 3. 将解压后的目录重命名为 ModelNet：`mv 3DShapeNetsCode ModelNet`
     
  • PyTorch实现的自动生成医学影像报告系统(Medical Report Generation)
    优质
    本项目采用PyTorch框架开发了一套自动化的医疗影像报告生成系统。通过深度学习技术解析和理解医学图像数据，该系统能够高效地为临床医生提供准确、详尽的诊断辅助报告。 关于自动生成医学影像报告（On the Automatic Generation of Medical Imaging Reports）的一个PyTorch实现。该文件详细介绍了模型的表现情况：在only_training模式下，训练集、验证集和测试集的BLEU-1至BLEU-4分数以及ROUGE-L评分如下： | 数据集 | BLEU-1 | BLEU-2 | BLEU-3 | BLEU-4 | ROUGE-L | | ------ | ------- | ------- | ------- | ------- | -------- | | 训练 | 0.386 | 0.275 | 0.215 | 0.176 | 0.187 | | 验证 | 0.369 | —— | —— | —— | 0.34 | | 值 | 0.303 | 0.182 | 0.118 | 0.077 | 0.143 | | 测试 | 0.256 | —— | —— | —— | 0.221 | 此外，还有纸张的评估结果： - BLEU-1: 0.517 - BLEU-2: 0.386 - BLEU-3: 0.306 - BLEU-4: 0.247 - ROUGE-L: 0.217
     
  • awesome-semantic-segmentation-pytorch: PyTorch上的语义分割模型（含FCN、PSPNet等）
    优质
    awesome-semantic-segmentation-pytorch是一个集合了多种经典和现代语义分割模型的PyTorch库，包括FCN、PSPNet等，为研究者提供便捷高效的实验平台。 该项目旨在为使用PyTorch的语义分割模型提供简洁、易用且可修改的参考实现。 安装依赖项： ``` pip install ninja tqdm conda install pytorch torchvision -c pytorch git clone https://github.com/Tramac/awesome-semantic-segmentation-pytorch.git ```
     
  • Medical-image-seg:医学影像分割（毕设）
    优质
    Medical-image-seg项目旨在通过开发高效的算法和技术来实现精准的医学影像自动分割，为临床诊断和治疗提供有力支持。此项目是本科毕业设计的一部分，专注于提高图像处理技术在医疗领域的应用效果。 医学图像段网段网络架构参考文件：《一百层提拉米苏：用于语义分割的全卷积密集网络》 作者为Simon Jégou、Michal Drozdzal、David Vazquez、Adriana Romero 和 Yoshua Bengio。 输入尺寸为512x512，首先使用7x7转换和2x2向下采样到256x256。接着通过2x2最大池化下采样至128x128。输出大小是128x128，并且经过插值恢复为512x512。 致密块率设定为24，层功能图筛选转换数据库的输入尺寸设置为512x512，空值转换数量设为0。在尺寸变为256x256时使用7x7卷积和最大池化下采样至128x128。 具体细节如下： - 最大池化：从 128x128 到 48，然后进行 DB1 操作得到 120 个特征图； - 经过 TD1 后尺寸变为64x64，特征图为120； - 再次最大池化后进入DB2操作，尺寸为64x64时有240个特征图； - 最终经过TD2处理到32x32的大小，并保持了 240 的特征数量。
     
  • 基于PyTorch的深度学习框架在多模态2D/3D医学图像分割中的应用——Python编程实现
    优质
    本研究探讨了利用PyTorch开发的深度学习模型在处理多模态二维和三维医学影像分割问题上的效能，通过Python编程实现了高效、精准的医疗图像分析。 我们致力于开放且可复制的深度学习研究，并在PyTorch框架下开发了一个先进的开源医学图像分割库。该库专注于实现状态领先的3D深层神经网络技术，用于处理多模态医学影像数据。此外，我们也提供了一系列常用医学影像数据集的数据加载器。此项目最初源于一篇硕士论文的研究工作，目前仍在持续发展中。
     
  • 3DUnetCNN：基于Pytorch的医学图像分割用3D U-Net卷积神经网络(CNN)设计
    优质
    3DUnetCNN是一个采用PyTorch框架实现的深度学习项目，专注于使用3D U-Net卷积神经网络进行高效的医学图像分割。该模型特别适用于处理三维医学影像数据，以提高医疗诊断和治疗规划的精确度与效率。 我们设计了3D U-Net卷积神经网络（CNN），使其易于应用并控制各种深度学习模型对医学成像数据的训练与使用。该项目提供了如何将本项目与来自MICCAI的各种挑战的数据一起使用的示例/教程。 依赖关系包括： - 火炬 - Nilearn - 大熊猫 - 凯拉斯 引用如下：Ellis DG，Aizenberg MR（2021），尝试使用开源深度学习框架对胶质瘤进行分割的U-Net培训修改。在Crimi A.和Bakas S.编辑的《脑损伤：脑胶质瘤、多发性硬化症、中风和脑外伤》一书中，作为BrainLes 2020的一部分。计算机科学讲座第12659卷。 其他引用： Ellis DG，Aizenberg MR（2020）使用通过注册增强的深度。
     
  • 基于PyTorch的医学影像分析系统——用于3D-CT影像的肺结节检测
    优质
    本项目开发了一个基于PyTorch框架的医学影像分析系统，专注于自动检测3D-CT影像中的肺部结节。 Python 2.7.15 和 PyTorch 1.0.0 的数据预处理分为两个阶段：step1 和 step2。 在第一步中，主要进行去噪、坐标转换、统一分辨率、提取感兴趣区域（ROI）和标签等操作。最终输出不是切片形式的数据，而是准备过程中的中间3D图像结果（各个图片的尺寸可能不同）。这些步骤可以在 `./work/preprocess` 目录下通过运行 `python prepare.py` 来生成相应的文件。 第二阶段包括从数据中裁剪出3D-patch、挖掘困难负样本、进行数据增强和拼接等操作。此外，测试阶段还需要对输入的数据进行切割并合并结果。需要注意的是，在训练和测试过程中使用的patch大小是不同的：训练时为（None,1,128,128,128），而测试时则为（None,1,208,208,208）。 在第一阶段预处理完成后，生成的文件包括 `name_clean.npy` 和 `name_label.npy`。第二阶段的数据准备直接封装到了 DataBowl3Detector 类中，并且该类会使用 step1 产生的中间结果进行进一步的操作。输入 stage1 的 numpy 文件为 name_clean.npy 和 name_label.npy；而输入到 stage2 的 numpy 文件则分别为 name_pbb.npy 和 name_lbb.npy。 这两个阶段的预处理过程是交替执行的，以确保数据能够顺利地从准备阶段过渡到训练和测试阶段。
     
  • dual-gan-medical-image-segmentation：基于无监督学习的脑肿瘤扫描图像分割
    优质
    Dual-GAN-Medical-Image-Segmentation项目采用新颖的双GAN架构进行无监督学习，旨在提高脑肿瘤扫描图像的自动分割精度与效率。 我们使用提出的DualGAN架构对脑肿瘤扫描进行无监督的图像分割。DualGAN的数据集使用的数据包括本研究作者收集的样本。所需软件环境如下：Python（版本2.7或更高），配备NVIDIA GPU + CUDA 8.0 + CuDNN v5.1，TensorFlow 1.0或更新版本以及MATLAB（用于初始图像处理和计算DICE分数）。 准备步骤包括运行prepareimgs.m MATLAB文件。原始图片（领域A）将从.mat文件生成，并保存在/datasets/med-image/train/A 文件夹中；经过分割的图片（领域B），即突出显示肿瘤区域的图像，也将被创建出来。
     
  • 图像分割：利用PyTorch实现
    优质
    本项目使用PyTorch框架进行深度学习模型开发，专注于图像分割任务，旨在探索和优化卷积神经网络在细粒度图像分析中的应用。 细分数据集 确保使用--recurse-submodules签出命令来获取代码库及其子模块。其中有一个名为tools的子模块用于存放常用脚本。 此数据集中包含图像文件夹与遮罩（mask）文件夹，配置文件中定义了像素值对应的类别信息。 可以使用导入脚本来从import 文件夹中的COCO和Pascal VOC数据集加载类别的图片进行训练。 查看训练或测试集以及蒙版注释： ``` python -m dataset.view --input pathtodataset --train (or --test) ``` 这有助于检查图像的预处理情况。 查看遮罩文件: ``` python view_labels.py somefile.jpg.mask ``` 训练模型时，请使用以下命令： ``` python main.py --lr 0.1 --batch_size 4 --input pathtodataset --model unet ```