DeepLung: 自动肺结节检测和分类的深度3D双路径网络

DeepLung: 自动肺结节检测和分类的深度3D双路径网络

DeepLungWACV18 paper "DeepLung: Deep 3D Dual Path Nets for Automated Pulmonary Nodule Detection and Classification"项目地址:https://gitcode.com/gh_mirrors/dee/DeepLung

1. 项目介绍

DeepLung是一款开源软件，利用深度学习技术，特别是3D卷积神经网络（CNN），来自动检测和分类肺部CT扫描中的肺结节。此项目由Wentao Zhu等人开发，并在IEEE Winter Conference on Applications of Computer Vision (WACV) 2018上发表。其设计目标是实现与经验丰富的医生相媲美的性能，帮助医疗专业人员提高诊断效率。

2. 项目快速启动

环境配置

确保你的系统满足以下依赖：

• Ubuntu 14.04
• Python 2.7
• CUDA 8.0
• cuDNN 5.1
• h5py (2.6.0)
• SimpleITK (0.10.0)
• numpy (1.11.3)
• nvidia-ml-py (7.352.0)
• matplotlib (2.0.0)
• scikit-image (0.12.3)
• scipy (0.18.1)
• pyparsing (2.1.4)
• PyTorch (0.1.10+ac9245a)（推荐使用Anaconda）

数据准备

下载并预处理数据：

1. 下载LUNA16和LIDC-IDRI数据集。
2. 运行预处理脚本：

   cd DeepLung
   python prepare.py
   

   预处理参数可以在config_training.py中配置。

模型训练

修改config_training.py中的参数以适应你的设置，然后运行训练脚本：

python train.py

结果评估

完成训练后，可以使用测试数据集评估模型性能。

3. 应用案例和最佳实践

• 利用DeepLung进行大规模肺结节筛查，减少医生的工作量。
• 将DeepLung作为辅助工具，提升读片速度和准确性。
• 对新开发的3D CNN架构进行实验，以优化检测性能。

最佳实践包括：

• 在足够大的数据集上训练模型以避免过拟合。
• 使用验证集对超参数进行调优。
• 定期保存模型权重以捕获最佳性能。

4. 典型生态项目

• TensorFlow: 虽然DeepLung基于PyTorch，但可以与TensorFlow生态系统中的其他库结合，如TensorBoard用于可视化训练过程。
• Kaggle: 参与相关的肺部疾病预测竞赛，例如肺结节检测挑战，以对比和改进DeepLung的表现。
• Medical Image Analysis Repositories：如MIDAS或Open-i，这些资源提供了更多医学图像数据集，可用于扩展研究。

---

要了解更多详细信息和最新更新，请访问项目GitHub仓库：https://github.com/uci-cbcl/DeepLung.git

DeepLungWACV18 paper "DeepLung: Deep 3D Dual Path Nets for Automated Pulmonary Nodule Detection and Classification"项目地址:https://gitcode.com/gh_mirrors/dee/DeepLung