使用NiftyNet时,我们需要先将图像数据和标签进行一次简单的处理,得到对应的.csv文件。 对应文件格式为: img.csv
NiftyNet是一款开源的卷积神经网络平台,旨在通过实现医学图像分析的深度学习方法和模块,支持快速原型和再现性,由WEISS (Wellcome EPSRC Centre for Interventional and Surgical Sciences), CMIC ( Centre for Medical Image Computing),HIG(High-dimensional Imaging Group)三家研究机构共同推出。 NiftyNet项目的实现基于tensorflow,实现了一整套的DeepLearning流程。将数据加载、模型加载,网络结构定义等进行了很好的分离,抽象封装成了各自独立的模块。 NiftyNet基础架构是使研究人员能够快速开发和分发用于分割、回归、图像生成和表示学习应用程序,或将平台扩展到新的应用程序的深度学习解决方案。 即NiftyNet支持: 图像分割 图像分类(回归) auto-encoder(图像模型表示) GANs(图像生成)
论文详细介绍 通过从脑部MR图像中分割155个神经结构来验证该网络学习3D表示的效率 目标:设计一个高分辨率和紧凑的网络架构来分割体积图像中的精细结构 特点:大多数存在的网络体系结构都遵循完全卷积下行-向上采样路径。具有高空间分辨率的低层次特征首先被下采样用于更高层次的特征抽象;然后对特征图进行上采样,以实现高分辨率分割。本论文提出了一种新的3D架构,它包含了整个层的高空间分辨率特征图,并且可以在广泛的接受领域中进行训练 验证:通过从T1加权MR图像中自动进行脑区分割成155个结构的任务来验证网络,验证了采用蒙特卡罗方法对实验中存在漏失的网络进行采样来对体素水平不确定度估计的可行性 结果:经过训练的网络实现了通用体积图像表示的第一步,为其他体积图像分割任务的迁移学习提供了一个初始模型
NiftyNet基础架构是使研究人员能够快速开发和分发用于分割、回归、图像生成和表示学习应用程序,或将平台扩展到新的应用程序的深度学习解决方案。
选自NiftyNet 作者:Eli Gibson等 机器之心编译 参与:蒋思源、李亚洲 近日,外科研究中心 WEISS、UCL 医疗影像计算中心(CMIC)和 HIG 等研究机构共同开源了 NiftyNet,即基于卷积神经网络的医疗影像分析平台,它为研究社区提供一个开放的机制来使用、适应和构建各自的医疗影像研究成果。 NiftyNet 是一个基于 TensorFlow 的开源卷积神经网络平台,来研究医疗影像分析和影像导向的治疗。NiftyNet 有着模块化的架构设计,能够共享网络架构和预训练模型。使用该模块
该框架使用PyTorch深度学习框架,并使用了分布式内存计算平台Ignite。基于NVIDIA Clara, NiftyNet, DLTK and DeepNeuro等库。
肺部疾病是威胁现代人健康的重要疾病之一,如何使用快速且廉价的方法对肺病进行诊断是医学界的重要课题。 随着深度学习方法的兴起,世界各地越来越多的研究员在尝试用深度神经网络模型对医学图像进行分析、解释,获得可靠的诊断结果。 目前规模最大的肺部X光数据库ChestX-ray14 是由NIH研究院提供的,该数据库包含 14 种肺部疾病(肺不张、变实、浸润、气胸、水肿、肺气肿、纤维变性、积液、肺炎、胸膜增厚、心脏肥大、结节、肿块和疝气)的 10 多万张 X光前视图(约42G),研究人员对数据采用NLP方法对图像进行标注,1-14类分别对应14种肺部疾病,第15类表示未发现疾病。据称,该数据库标注准确率超过90%。
论文地址:https://arxiv.org/pdf/2006.14822.pdf
https://github.com/shruti-jadon/Semantic-Segmentation-Loss-Functions
领取专属 10元无门槛券
手把手带您无忧上云