MIScnn：快速搭建医学图像分割管道的开源利器

2024-09-25 19:48:00作者：房伟宁

MIScnn

A framework for Medical Image Segmentation with Convolutional Neural Networks and Deep Learning

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：

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。
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。
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。
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}
}