Un framework PyTorch pour la segmentation d'images médicales 2D et 3D multi-modales.
Framework de deep learning PyTorch pour la segmentation d'images médicales 3D multi-modales
MedicalZooPytorch est une bibliothèque open source de deep learning conçue pour la segmentation d'images médicales 2D et 3D multi-modales. Elle s'adresse aux chercheurs et développeurs travaillant avec des scans IRM cérébraux, des jeux de données de compétition et des données médicales volumétriques sous PyTorch.
Il implémente des architectures 3D standard telles que U-Net3D, V-Net, ResNet3D-VAE et DenseVoxelNet, ainsi que des chargeurs de données pour des jeux de données de référence comme BraTS, iSeg et MRBrains. Le projet fournit également des pipelines de prétraitement, la prise en charge des matrices de confusion et des modèles optionnels de classification et de segmentation pour la COVID-19.
Il convient aux chercheurs et étudiants diplômés familiers avec PyTorch qui ont besoin d'architectures de référence pour l'imagerie médicale volumétrique. Il ne convient pas aux cliniciens recherchant un logiciel de visualisation ou de diagnostic clinique prêt à l'emploi sans connaissances en programmation.
Comporte les implémentations de U-Net3D, V-Net, DenseVoxelNet, HighResNet3D et HyperDense-Net.
Fournit des chargeurs de données pour les jeux de données de compétition BraTS 2018/2019, iSeg, MRBrains, IXI et Gleason.
Inclut des modèles et des références de jeux de données pour la classification de radiographies thoraciques et la segmentation pulmonaire de la COVID-19.
Offre des notebooks de démarrage rapide vous permettant d'exécuter des modèles sur des GPU cloud gratuitement.
Le logiciel est gratuit sous licence MIT. Aucune option hébergée payante n'est proposée par les mainteneurs, vos seuls coûts concernent donc le matériel local ou les ressources de calcul GPU cloud.
877 missions ouvertes à distance en entraînement d’IA, mises à jour le 16 novembre 2026 ; la plupart paient $20–$175 de l’heure. 8 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.
Ces outils IA évalués font le même travail instantanément — depuis notre annuaire noté.
Le framework inclut des chargeurs de données pour iSeg 2017/2019, MICCAI BraTS 2018/2019, MRBrains 2018, IXI et le concours Gleason de la MICCAI 2019.
Oui, vous pouvez utiliser le notebook Google Colab fourni pour exécuter le projet à l'aide d'un appareil GPU cloud.
MedicalZooPytorch est entièrement construit sur PyTorch et nécessite Python.
Voir Zekai en premier dans Google