FuseMedML：加速医学领域机器学习发现的利器-CSDN博客

本文链接：https://blog.csdn.net/gitblog_00445/article/details/142047982

FuseMedML：加速医学领域机器学习发现的利器

fuse-med-mlA python framework accelerating ML based discovery in the medical field by encouraging code reuse. Batteries included :)项目地址:https://gitcode.com/gh_mirrors/fu/fuse-med-ml

项目介绍

FuseMedML 是一个旨在加速医学领域机器学习发现的 Python 框架。它通过鼓励代码重用来减少重复劳动，从而显著提升研究效率。FuseMedML 是 PyTorch 生态系统的一部分，提供了丰富的功能模块，包括数据处理、模型评估和深度学习组件等。无论你是医学影像分析、疾病预测还是药物发现领域的研究人员，FuseMedML 都能为你提供强大的支持。

项目技术分析

核心设计理念

FuseMedML 的核心设计理念是使用嵌套字典（Nested Dictionary）来存储数据。这种设计不仅灵活，还能轻松处理多模态信息。通过定义输入和输出键，组件可以从嵌套字典中读取和写入数据，从而实现高度的代码重用。

组件示例

FuseMedML 提供了多种预定义组件，如多头部模型、默认损失函数和评估指标等。这些组件都遵循相同的设计理念，使得它们可以在不同项目中轻松复用。例如，一个多头部模型组件可以定义如下：

ModelMultiHead(
    conv_inputs=(('data.input.img', 1),),                                       # 输入到主干模型的数据
    backbone=BackboneResnet3D(in_channels=1),                                   # PyTorch nn 模块
    heads=[                                                                     # 头部列表，支持多任务/多头方法
               Head3D(head_name='classification',
                                mode="classification",
                                conv_inputs=[("model.backbone_features", 512)]  # 输入到分类头的数据
                                ,),
          ]
)

自定义组件

创建自定义 FuseMedML 组件也非常简单。例如，你可以创建一个新的数据处理操作符：

class OpPad(OpBase):
    def __call__(self, sample_dict: NDict,
        key_in: str,
        padding: List[int], fill: int = 0, mode: str = 'constant',
        key_out:Optional[str]=None,
        ):

        # 从指定键位置提取元素（例如 'input.xray_img'）
        img = sample_dict[key_in]
        assert isinstance(img, np.ndarray), f'Expected np.ndarray but got {type(img)}'
        processed_img = np.pad(img, pad_width=padding, mode=mode, constant_values=fill)

        # 将结果存储在请求的输出键中（如果没有提供 key_out，则使用 key_in）
        key_out = key_in if key_out is None
        sample_dict[key_out] = processed_img

        # 返回修改后的嵌套字典
        return sample_dict