用于医学图像分析和图像引导治疗研究的开源卷积神经网络平台
NiftyNet的Python项目详细描述
niftynet
niftynet是一个基于{a5}的开源卷积神经网络（cnn）平台，用于医学图像分析和图像引导治疗的研究。 niftynet的模块化结构是为共享网络和预先训练的模型而设计的。 使用此模块化结构，您可以：
- 开始使用内置工具建立预先培训的网络 <> LI>将现有的网络适应于你的成像数据
- 为自己的图像分析问题快速构建新的解决方案
niftynet是一个由研究机构组成的联盟 （BMEIS--School of Biomedical Engineering and Imaging Sciences, King's College London； 韦斯——Wellcome EPSRC Centre for Interventional and Surgical Sciences, UCL； CMIC——Centre for Medical Image Computing, UCL； Hig——高维成像小组，UCL），BMEIS作为联合体的领导。
功能
- 易于定制网络组件的接口
- 共享网络和预训练模型
- 支持二维、二维、三维、四维输入*
- 多GPU支持的高效培训
- 最近网络的实现（HighRes3DNet、3D U-net、V-net、DeepMedic）
- 医学图像分割的综合评价指标
NiftyNet不用于临床。
niftynet发行说明可用here。
*2.5-d：作为二维切片堆栈处理的体积图像； 4-D:共同注册的多模式3D卷
安装
- 请安装适当的TensorFlow包*：
- ^{
}
所有其他niftynet依赖项将作为pip安装过程的一部分自动安装。
要从源存储库安装，请签出the instructions。
文件
API参考和操作指南可在Read the Docs上找到
有用链接
- NiftyNet website
- NiftyNet source code on GitHub
- NiftyNet Model zoo repository
- NiftyNet Google Group / Mailing List
- Stack Overflow一般问题
引用NiftyNet
如果你在工作中使用niftynet，请引用Gibson and Li, et al. 2018：
- E.Gibson*、W.Li*、C.Sudre、L.Fidon、D.I.Shakir、G.Wang、Z.Eaton Rosen、R.Gray、T.Doel、Y.Hu、T.Whyntie、P.Nachev、M.Modat、D.C.Barratt、S.Ourselin、M.J.Cardoso和T.Vercauteren（2018年） NiftyNet: a deep-learning platform for medical imaging，生物医学中的计算机方法和程序。 doi:10.1016/j.cmpb.2018.01.025
bibtex条目：
@article{Gibson2018,
title = "NiftyNet: a deep-learning platform for medical imaging",
journal = "Computer Methods and Programs in Biomedicine",
year = "2018",
issn = "0169-2607",
doi = "https://doi.org/10.1016/j.cmpb.2018.01.025",
url = "https://www.sciencedirect.com/science/article/pii/S0169260717311823",
author = "Eli Gibson and Wenqi Li and Carole Sudre and Lucas Fidon and
Dzhoshkun I. Shakir and Guotai Wang and Zach Eaton-Rosen and
Robert Gray and Tom Doel and Yipeng Hu and Tom Whyntie and
Parashkev Nachev and Marc Modat and Dean C. Barratt and
Sébastien Ourselin and M. Jorge Cardoso and Tom Vercauteren",
}
NiftyNet平台源于为Li, et al. 2017开发的软件：
- Li W.，Wang G.，Fidon L.，Ourselin S.，Cardoso M.J.，Vercauteren T.（2017年） On the Compactness, Efficiency, and Representation of 3D Convolutional Networks: Brain Parcellation as a Pretext Task. 作者：Niethammer M.等人医学成像中的信息处理IPMI 2017年。 计算机科学讲义，第10265卷斯普林格，查姆。 doi:10.1007/978-3-319-59050-9_28
许可和版权
niftynet在the Apache License, Version 2.0下发布。
Niftynet财团2018版权所有。
确认
本项目感谢来自 在Wellcome Trust， 在Engineering and Physical Sciences Research Council (EPSRC)， 在National Institute for Health Research (NIHR)， 在Department of Health (DoH)， Cancer Research UK， King's College London (KCL)， University College London (UCL)， 在Science and Engineering South Consortium (SES)， STFC Rutherford-Appleton Laboratory和NVIDIA。
欢迎加入QQ群-->： 979659372
