13个医学图像 AI 入门项目- 都跑完你就超神了！

本文介绍 MONAI 框架提供的 医学图像方面的教程，基本包括医学图像处理AI方向的各个领域，并且每个教程都是可以跑的通的！可以作为入门的第一项目。

主要内容如下

文章目录

• 1 二维分类
• 2 二维分割
• 3 三维分类
• 4 三维分割

• 4.1 ignite 版本
• 4.2 torch 版本
• 4.3 BRATS 脑肿瘤多标签三维分割
• 4.4 CT Spleen 脾脏分割
• 4.5 COVID 19-20 挑战赛
• 4.6 btcv 使用transformer分割腹部多器官

• 5 二维配准
• 6 三维配准
• 7 Autoencoder 自编码器
• 8 GAN 生成对抗网络

1 二维分类

• 简介：这个笔记本展示了如何轻松地将 MONAI 功能集成到现有的 PyTorch 程序中。它基于 MedNIST 数据集，非常适合初学者作为教程。
• 数据：MedNIST
  代码中有下载地址

类似于手写数字的，医学图像小图（64*64），一共有6个类别

• 模型： DenseNet121
• 结果
  
  训练4个epoch,auc=0.99
• 代码地址

2 二维分割

• 简介： 基于 UNet 和合成数据集的 2D 分割训练和评估示例
  
  一共有四个文件，后缀带’array’表示数据集使用数组传送给dataloader
  后缀带’dict’表示数据集是以字典形式传送
  这里 train 和 test 是分开的

选择一种你喜欢的方式就可。

• 数据：代码中合成的数据
  
  这里展示的就是把图像和标签以字典形式传送
• 模型： UNet
• 结果：暂无，合成数据结果没有意义，只是展示如何做分割
• 代码地址

3 三维分类

同二维分类类似，只不过把模型都改成了3D，并提供了两种代码版本。

• ignite 版本

使用 pytorch 高级封装库，代码看起来更简洁，但学习成本相对较高

• pytorch 版本
• files： 同二维分类，提供了4个python文件，按自己习惯选择。
• model: DenseNet121(spatial_dims=3)

spatial_dims调整模型是二维还是三维，修改参数即可切换，非常方便。

• dataset: IXI-T1 dataset（MRI数据）
  数据集下载地址



• 
  
• 代码地址

4 三维分割

三维分割是医学图像研究最多的领域，因此，MONAI 官方提供了非常多的示例。

4.1 ignite 版本

4.2 torch 版本

以上两个示例用的是合成数据，旨在展示如何使用ignite或者pytorch编写三维分割程序

4.3 BRATS 脑肿瘤多标签三维分割

这是一个真实案例，展示了如何构建基于 MSD 脑肿瘤数据集的多标签分割任务的训练工作流。

• model: SegResNet
• dataset: brats



• 
  
• 代码地址

4.4 CT Spleen 脾脏分割

脾脏分割也提供了两个版本，一个 pytorch-lighting版本（高级封装版），一个标准pytorch版本。

• model: UNet
• dataset: MSD Spleen dataset
• 代码地址

4.5 COVID 19-20 挑战赛

这是MICCAI CT COVID 疾病分割挑战赛 MONAI版本，提供了一个基线模型。

• 比赛地址
• model: BasicUNet
• 结果： 0.6904 ± 0.1801 Dice score
• 代码地址

4.6 btcv 使用transformer分割腹部多器官

本笔记本演示了如何使用 BTCV 挑战数据集构建 UNETR 多器官分割任务的训练工作流程。

• model： UNETR （）
• dataset： BTCV challenge dataset

5 二维配准

该笔记本显示了一个快速演示，用于基于学习的 64 x 64 X射线手的仿射配准。

• dataset： MedNIST
• model: GlobalNet
  
  因没有做过配准，不过多介绍。

6 三维配准

本教程展示了如何使用 MONAI 配准单个患者在不同时间点采集的肺 CT 数据。

• model： LocalNet
• dataset: Paired Lung CT
• 代码地址

7 Autoencoder 自编码器

本教程使用 MedNIST 手部 CT 扫描数据集来演示 MONAI 的自动编码器类。

可用于 异常检测，去噪等实验

• model： AutoEncoder
• dataset： MedNIST

8 GAN 生成对抗网络

本笔记本说明了使用 MONAI 训练网络以从随机输入张量生成图像。一个简单的 GAN 被用来处理单独的生成器和鉴别器网络。

当然，官方不止提供以上教程，更多教程详见 MONAI github 官网教程。

文章持续更新，可以关注微信公众号【医学图像人工智能实战营】获取最新动态，一个关注于医学图像处理领域前沿科技的公众号。坚持已实践为主，手把手带你做项目，打比赛，写论文。凡原创文章皆提供理论讲解，实验代码，实验数据。只有实践才能成长的更快，关注我们，一起学习进步~

我是Tina, 我们下篇博客见~

白天工作晚上写文，呕心沥血