一、圖像操作類

醫(yī)學影像往往需要操作的圖像種類較多，類似于nii圖像，dicom圖像等，傳統(tǒng)的工具為SimpleITK ，NiBabel ，目前也有很多集成的工具，便于深度學習模型的使用和調優(yōu)。

1.TORCHIO（強烈推薦）

TorchIO 是一個 Python 工具包，用于在用PyTorch編寫的深度學習應用程序中高效讀取、預處理、采樣、增強和寫入 3D 醫(yī)學圖像，包括用于數(shù)據(jù)增強和預處理的強度和空間變換。變換包括典型的計算機視覺操作，例如隨機仿射變換，以及特定領域的操作，例如模擬由于MRI 磁場不均勻性或k空間運動偽影引起的不同強度的偽影。

2.batchgenerator

batchgenerators 是一個用于數(shù)據(jù)增強的 Python 包。包含空間增強，顏色增強，噪音增強，裁剪。（德國癌癥研究中心）

3.MITK

醫(yī)學成像交互工具包（MITK）是用于開發(fā)交互式醫(yī)學圖像處理軟件的免費開源軟件系統(tǒng)。MITK將Insight工具包（ITK）和可視化工具包（VTK）與應用程序框架結合在一起。

二、集成框架（基于pytorch）

1.MONAI（推薦）

特性：靈活的多維醫(yī)學影像數(shù)據(jù)預處理；易于集成到現(xiàn)有工作流程中的組合式和可移植 API；針對網(wǎng)絡、損失、評估指標等的特定領域實現(xiàn)；針對不同用戶專業(yè)知識的可定制設計；多 GPU 數(shù)據(jù)并行支持。框架較為完整，目前還保持活躍更新，具有較新的模型。

2.nnunet（推薦）

nnU-Net完全自動執(zhí)行整個分割過程，包括數(shù)據(jù)預處理、模型配置、模型訓練、后處理到集成的整個過程，而不需要人為干預。此外，訓練好的模型還可以應用到測試集中進行推理。

3.medicaldetectiontoolkit

medicaldetectiontoolkit基于pytorch的包含流行的目標檢測器2D + 3D實現(xiàn)，例如Mask R-CNN，Retina Net，Retina U-Net，專注于提供處理醫(yī)學圖像的訓練和推理框架。（和nnUnet，batchgenerator都為德國癌癥中心的工具）

4.MedicalNet

騰訊推出的3D預訓練模型，MedicalNet項目提供了一系列3D-ResNet預訓練模型和相關代碼。（目前更新較少）

5.medicaltorch

A medical imaging framework for Pytorch

6.3DUnetCNN

設計了 3DUnetCNN，以便輕松地將各種深度學習模型的訓練和應用應用于醫(yī)學影像數(shù)據(jù)。鏈接中提供了有關如何將這個項目與來自各種 MICCAI 挑戰(zhàn)的數(shù)據(jù)一起使用的示例/教程。

7.Attention-Gated-Networks

基于注意力卷積神經(jīng)網(wǎng)絡的的醫(yī)學圖像分類與分割。（最新更新較舊

三、集成框架（基于tensorflow）

1.NiftyNet

基于tensorflow用于醫(yī)學圖像分析和圖像指導治療研究的開源卷積神經(jīng)網(wǎng)絡平臺,特點是易于定制的網(wǎng)絡組件接口、共享網(wǎng)絡和預先訓練的模型、支持2-D，2.5-D，3-D，4-D輸入、多GPU支持的高效訓練、常用的網(wǎng)絡實現(xiàn)（HighRes3DNet，3D U-net，V-net，DeepMedic）、用于醫(yī)學圖像分割的綜合評估指標。（目前不再積極維護，項目專項維護MONAI）

2.deepmedic

基于tensorflow用于3D醫(yī)學掃描分割的高效多尺度3D卷積神經(jīng)網(wǎng)絡

3.DLTK

基于tensorflow的用于醫(yī)學圖像分析的深度學習工具包。（3年前最后更新）

總結

以上是生活随笔為你收集整理的医学影像常用Python包的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。