基于卷积神经网络和深度学习的医学图像分割框架
miscnn-TF-1.14的Python项目详细描述
MIScnn:基于卷积神经网络的医学图像分割
开源的Python库MIScnn是一个直观的API,允许在几行代码中使用最先进的卷积神经网络和深度学习模型快速设置医学图像分割管道。在
MIScnn提供了几个核心功能:
- 二值多类问题的二维/三维医学图像分割
- 生物医学图像的数据I/O、预处理和数据增强
- 分片全图像分析
- 最先进的深度学习模型和度量库
- 直观、快速的模型利用(培训、预测)
- 多种自动评估技术(如交叉验证)
- 自定义模型、数据I/O、前/后处理和度量支持
- 基于以Tensorflow为后端的Keras
开始:30秒到一个错误的管道
使用已经为特定数据提供的接口创建数据I/O实例 格式。在
frommiscnn.data_loading.data_ioimportData_IOfrommiscnn.data_loading.interfaces.nifti_ioimportNIFTI_interface# Create an interface for kidney tumor CT scans in NIfTI formatinterface=NIFTI_interface(pattern="case_0000[0-2]",channels=1,classes=3)# Initialize data path and create the Data I/O instancedata_path="/home/mudomini/projects/KITS_challenge2019/kits19/data.original/"data_io=Data_IO(interface,data_path)
创建预处理器实例以配置如何将数据预处理为批处理。在
^{pr2}$创建一个具有标准U-Net架构的深度学习神经网络模型。在
frommiscnn.neural_network.modelimportNeural_Networkfrommiscnn.neural_network.architecture.unet.standardimportArchitectureunet_standard=Architecture()model=Neural_Network(preprocessor=pp,architecture=unet_standard)
恭喜您准备好使用医学图像分割管道,包括数据I/O、预处理和默认设置的数据扩充。在
让我们对我们的数据集进行一次模型训练。然后,利用拟合模型对样本进行分割预测。在
# Training the model with all except one sample for 500 epochssample_list=data_io.get_indiceslist()model.train(sample_list[0:-1],epochs=500)# Predict the one remaining samplepred=model.predict([sample_list[-1]],direct_output=True)
现在,让我们对我们的模型进行5次交叉验证,自动创建评估图并将结果保存到“evaluation_results”目录中。在
frommiscnn.evaluation.cross_validationimportcross_validationcross_validation(sample_list,model,k_fold=5,epochs=100,evaluation_path="evaluation_results",draw_figures=True)
安装
安装MIScnn有两种方法:
- Install MIScnn from PyPI(推荐):
注意:这些安装步骤假设您在Linux或Mac环境中。如果您在Windows上或在没有root用户的虚拟环境中,则需要删除sudo才能运行以下命令。在
sudo pip install miscnn
- 或者:从GitHub源安装MIScnn:
首先,使用git克隆MIScnn:
git clone https://github.com/frankkramer-lab/MIScnn.git
然后,cd到MIScnn文件夹并运行install命令:
cd MIScnn
sudo python setup.py install
作者
多米尼克·穆勒
电子邮件:dominik.mueller@informatik.uni-augsburg.de
转化医学研究的IT基础设施
奥格斯堡大学
德国巴伐利亚州
如何引用/更多信息
多米尼克·米勒和弗兰克·克莱默。(2019年)
MIScnn:一个基于卷积神经网络和深度学习的医学图像分割框架。在
许可证
本项目根据GNU通用公共许可证第3版获得许可。
见许可证.md申请许可权和限制。在
- 项目
标签: