首页
/ MIScnn:快速搭建医学图像分割管道的开源利器

MIScnn:快速搭建医学图像分割管道的开源利器

2024-09-25 02:39:49作者:房伟宁

项目介绍

MIScnn 是一个开源的 Python 库,旨在为医学图像分割任务提供一个直观且高效的 API。通过 MIScnn,用户可以在短短几行代码内快速搭建起包含数据输入输出、预处理、数据增强以及深度学习模型的医学图像分割管道。MIScnn 基于 Keras 和 TensorFlow 后端,支持 2D 和 3D 图像的分割,适用于二分类和多分类问题。

项目技术分析

MIScnn 的核心技术架构包括以下几个方面:

  1. 数据 I/O 和预处理:支持多种医学图像格式(如 NIfTI),并提供灵活的数据预处理和增强功能。
  2. 深度学习模型:内置多种先进的卷积神经网络模型,如 U-Net,用户也可以自定义模型。
  3. 评估与验证:支持多种自动评估技术,如交叉验证,帮助用户快速评估模型性能。
  4. 模型训练与预测:提供直观的接口,支持快速模型训练和预测。

项目及技术应用场景

MIScnn 适用于多种医学图像分割场景,包括但不限于:

  • 肿瘤分割:如肾脏肿瘤分割(KITS19 挑战赛)。
  • 器官分割:如心脏、肺部等器官的分割。
  • 病理图像分析:如细胞、组织病理图像的分割与分析。

MIScnn 的灵活性和高效性使其成为医学图像分析领域的理想工具,尤其适合需要快速原型设计和实验的研究人员和开发者。

项目特点

MIScnn 的主要特点包括:

  • 快速搭建:仅需几行代码即可搭建完整的医学图像分割管道。
  • 灵活性:支持自定义数据 I/O、预处理、后处理和评估指标。
  • 高效性:基于 Keras 和 TensorFlow,提供高效的模型训练和预测。
  • 丰富的文档和教程:提供详细的文档和教程,帮助用户快速上手。

快速上手

以下是一个简单的 MIScnn 使用示例,展示了如何在 60 秒内搭建一个医学图像分割管道:

# 导入 MIScnn 模块
import miscnn

# 创建 NIfTI 格式的数据 I/O 接口
from miscnn.data_loading.interfaces import NIFTI_interface
interface = NIFTI_interface(pattern="case_000[0-9]*", channels=1, classes=3)

# 初始化数据路径并创建 Data I/O 实例
data_path = "/home/mudomini/projects/KITS_challenge2019/kits19/data.original/"
data_io = miscnn.Data_IO(interface, data_path)

# 创建预处理器实例
pp = miscnn.Preprocessor(data_io, batch_size=4, analysis="patchwise-crop",
                         patch_shape=(128,128,128))

# 创建一个标准的 U-Net 模型
from miscnn.neural_network.architecture.unet.standard import Architecture
unet_standard = Architecture()
model = miscnn.Neural_Network(preprocessor=pp, architecture=unet_standard)

# 训练模型
sample_list = data_io.get_indiceslist()
model.train(sample_list[0:80], epochs=500)

# 预测分割结果
pred = model.predict(sample_list[80:100], return_output=True)

通过以上代码,您已经成功搭建并运行了一个医学图像分割管道。MIScnn 的简洁性和高效性使其成为医学图像分析领域的理想工具。

安装指南

MIScnn 可以通过以下两种方式安装:

  • 从 PyPI 安装(推荐)
sudo pip install miscnn
  • 从 GitHub 源码安装
git clone https://github.com/frankkramer-lab/MIScnn
cd MIScnn
sudo python setup.py install

实验与结果

MIScnn 在 KITS19 挑战赛中表现出色,成功完成了肾脏肿瘤的分割任务。通过 3D U-Net 模型和 3 折交叉验证,MIScnn 展示了其在医学图像分割领域的强大能力。

evaluation plots

example gif

作者与引用

MIScnn 由 Dominik Müller 和 Frank Kramer 开发,如果您在研究中使用了 MIScnn,请引用以下文献:

@article{miscnn21,
  title={MIScnn: a framework for medical image segmentation with convolutional neural networks and deep learning},
  author={Dominik Müller and Frank Kramer},
  year={2021},
  journal={BMC Medical Imaging},
  volume={21},
  url={https://doi.org/10.1186/s12880-020-00543-7},
  doi={10.1186/s12880-020-00543-7},
  eprint={1910.09308},
  archivePrefix={arXiv},
  primaryClass={eess.IV}
}

许可证

MIScnn 采用 GNU GENERAL PUBLIC LICENSE Version 3 许可证。详细信息请参阅 LICENSE.md 文件。


MIScnn 是一个功能强大且易于使用的医学图像分割工具,无论您是研究人员还是开发者,MIScnn 都能帮助您快速实现高效的医学图像分析。立即尝试 MIScnn,开启您的医学图像分析之旅!

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
153
1.98 K
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
505
42
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
194
279
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
992
395
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
938
554
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
333
11
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
70