一、图像操作类

医学影像往往需要操作的图像种类较多，类似于nii图像，dicom图像等，传统的工具为SimpleITK ，NiBabel ，目前也有很多集成的工具，便于深度学习模型的使用和调优。
1.TORCHIO（强烈推荐）

TorchIO 是一个 Python 工具包，用于在用PyTorch编写的深度学习应用程序中高效读取、预处理、采样、增强和写入 3D 医学图像，包括用于数据增强和预处理的强度和空间变换。变换包括典型的计算机视觉操作，例如随机仿射变换，以及特定领域的操作，例如模拟由于MRI 磁场不均匀性或k空间运动伪影引起的不同强度的伪影。
2.batchgenerator

batchgenerators 是一个用于数据增强的 Python 包。包含空间增强，颜色增强，噪音增强，裁剪。（德国癌症研究中心）
3.MITK

医学成像交互工具包（MITK）是用于开发交互式医学图像处理软件的免费开源软件系统。MITK将Insight工具包（ITK）和可视化工具包（VTK）与应用程序框架结合在一起。
二、集成框架（基于pytorch）
1.MONAI（推荐）

特性：灵活的多维医学影像数据预处理；易于集成到现有工作流程中的组合式和可移植 API；针对网络、损失、评估指标等的特定领域实现；针对不同用户专业知识的可定制设计；多 GPU 数据并行支持。框架较为完整，目前还保持活跃更新，具有较新的模型。
2.nnunet（推荐）

nnU-Net完全自动执行整个分割过程，包括数据预处理、模型配置、模型训练、后处理到集成的整个过程，而不需要人为干预。此外，训练好的模型还可以应用到测试集中进行推理。
3.medicaldetectiontoolkit

medicaldetectiontoolkit基于pytorch的包含流行的目标检测器2D + 3D实现，例如Mask R-CNN，Retina Net，Retina U-Net，专注于提供处理医学图像的训练和推理框架。（和nnUnet，batchgenerator都为德国癌症中心的工具）
4.MedicalNet

腾讯推出的3D预训练模型，MedicalNet项目提供了一系列3D-ResNet预训练模型和相关代码。（目前更新较少）
5.medicaltorch

A medical imaging framework for Pytorch
6.3DUnetCNN

设计了 3DUnetCNN，以便轻松地将各种深度学习模型的训练和应用应用于医学影像数据。链接中提供了有关如何将这个项目与来自各种 MICCAI 挑战的数据一起使用的示例/教程。
7.Attention-Gated-Networks

基于注意力卷积神经网络的的医学图像分类与分割。（最新更新较旧
三、集成框架（基于tensorflow）
1.NiftyNet

基于tensorflow用于医学图像分析和图像指导治疗研究的开源卷积神经网络平台,特点是易于定制的网络组件接口、共享网络和预先训练的模型、支持2-D，2.5-D，3-D，4-D输入、多GPU支持的高效训练、常用的网络实现（HighRes3DNet，3D U-net，V-net，DeepMedic）、用于医学图像分割的综合评估指标。（目前不再积极维护，项目专项维护MONAI）
2.deepmedic

基于tensorflow用于3D医学扫描分割的高效多尺度3D卷积神经网络
3.DLTK

基于tensorflow的用于医学图像分析的深度学习工具包。（3年前最后更新）

 

 

https://blog.csdn.net/Joker00007/article/details/122116313