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

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
179
263
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
869
514
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
130
183
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
328
377
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
333
1.09 K
harmony-utilsharmony-utils
harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
28
0
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.08 K
0
kernelkernel
deepin linux kernel
C
22
5
WxJavaWxJava
微信开发 Java SDK,支持微信支付、开放平台、公众号、视频号、企业微信、小程序等的后端开发,记得关注公众号及时接受版本更新信息,以及加入微信群进行深入讨论
Java
829
22
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
601
58