论文链接：http://arxiv.org/pdf/2010.03639v1.pdf 背景和目的： 深度学习使医学图像分析取得巨大进展。推动这一进程的动力之一是TensorFlow和PyTorch等开源框架。然而，这些框架很少针对医学图像分析领域的特定问题，例如3D数据处理和评估的距离度量。pymia是一个开源Python包，通过提供独立于深度学习框架的灵活的数据处理和评估来解决这些问题。 方法： pymia包提供数据处理和评估功能。数据处理允许灵活地处理各种常用格式的医学图像(例如2-D、2.5-D和3-D)。甚至像人口统计数据或临床报告这样的图像以外的数据也可以很容易地集成到深度学习方法中。评估允许独立的结果计算和报告，以及在培训期间使用大量用于分割、重构和回归的领域特定指标进行性能监视。 结果： pymia包高度灵活，允许快速原型化，并减少了实现数据处理例程和评估方法的负担。虽然数据处理和评估独立于所使用的深度学习框架，但它们可以很容易地集成到TensorFlow和PyTorch管道中。该软件包已成功应用于多种研究项目的分割、重建和回归。 结论： pymia包填补了当前深度学习框架在医学图像分析数据处理和评估方面的空白。可以使用pip install pymia直接从Python包索引中安装。

内容中包含的图片若涉及版权问题，请及时与我们联系删除