InnerEye-DeepLearning 使用教程

InnerEye-DeepLearning 使用教程

InnerEye-DeepLearning Medical Imaging Deep Learning library to train and deploy 3D segmentation models on Azure Machine Learning 项目地址: https://gitcode.com/gh_mirrors/in/InnerEye-DeepLearning

1. 项目介绍

InnerEye-DeepLearning（IE-DL）是一个用于轻松地在3D医疗图像上训练深度学习模型的工具箱。它既可以本地运行，也可以与AzureML云服务配合使用。IE-DL允许用户训练和运行以下类型的推理：

• 分割模型
• 分类和回归模型
• 任何通过自定义模型设置实现的PyTorch Lightning模型

此外，该工具箱还支持：

• 使用AzureML进行交叉验证，各个折的模型可以并行训练，这对于处理通常与医疗图像相关的长时间训练作业尤为重要。
• 使用Hyperdrive进行超参数调整。
• 构建集成模型。
• 通过基于配置的方法和从现有架构继承，轻松创建新模型。

2. 项目快速启动

环境要求

• 操作系统：Ubuntu
• 工具：Git, Git LFS, Conda, Python 3.7+

克隆项目

首先，克隆InnerEye-DeepLearning仓库：

git clone --recursive https://github.com/microsoft/InnerEye-DeepLearning.git
cd InnerEye-DeepLearning

创建和激活conda环境

接下来，创建并激活conda环境：

conda env create --file environment.yml
conda activate InnerEye

验证安装

最后，通过运行HelloWorld模型来验证安装是否成功（不需要GPU）：

python InnerEye/ML/runner.py --model=HelloWorld

如果以上步骤没有错误，恭喜你！你已经成功使用InnerEye工具箱构建了你的第一个模型。

3. 应用案例和最佳实践

在此部分，您可以介绍一些使用IE-DL进行3D医疗图像分析的实际案例，包括但不限于：

• 肿瘤分割
• 医学图像分类
• 图像增强和预处理

同时，可以分享一些最佳实践，例如：

• 如何在AzureML上有效地管理资源
• 如何使用Hyperdrive进行超参数搜索
• 如何确保模型的可靠性和可重复性

4. 典型生态项目

介绍一些与IE-DL相关的生态项目，例如：

• InnerEye-Gateway：一个在DICOM网络上运行的Windows服务，用于将匿名化的DICOM图像路由到推理服务。
• InnerEye-Inference：提供REST API的组件，与InnerEye-Gateway集成，用于运行IE-DL模型的推理。

通过这些生态项目，用户可以更容易地将训练好的模型集成到临床软件系统中。

InnerEye-DeepLearning Medical Imaging Deep Learning library to train and deploy 3D segmentation models on Azure Machine Learning 项目地址: https://gitcode.com/gh_mirrors/in/InnerEye-DeepLearning