Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/alltobebetter/medbasenet
MedBaseNet 是一个专为医疗图像识别设计的轻量级深度学习框架。该框架采用简洁的架构设计，在保持较高识别精度的同时，显著降低了计算资源需求，特别适合医疗教学和基础研究场景。
https://github.com/alltobebetter/medbasenet
ai deep-learning medical python
Last synced: about 1 month ago
JSON representation
MedBaseNet 是一个专为医疗图像识别设计的轻量级深度学习框架。该框架采用简洁的架构设计，在保持较高识别精度的同时，显著降低了计算资源需求，特别适合医疗教学和基础研究场景。
- Host: GitHub
- URL: https://github.com/alltobebetter/medbasenet
- Owner: alltobebetter
- License: mit
- Created: 2024-11-13T12:07:04.000Z (about 2 months ago)
- Default Branch: main
- Last Pushed: 2024-11-13T12:33:44.000Z (about 2 months ago)
- Last Synced: 2024-11-13T13:31:19.798Z (about 2 months ago)
- Topics: ai, deep-learning, medical, python
- Language: Python
- Homepage:
- Size: 24.4 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# MedBaseNet: 轻量级医疗图像识别框架
[](https://www.python.org/downloads/release/python-380/)
[](https://pytorch.org/)
[](https://opensource.org/licenses/MIT)
[](https://arxiv.org/abs/)
## 目录
- [简介](#简介)
- [特点](#特点)
- [安装](#安装)
- [快速开始](#快速开始)
- [模型架构](#模型架构)
- [性能评估](#性能评估)
- [示例](#示例)
- [引用](#引用)
- [许可证](#许可证)
## 简介
MedBaseNet 是一个专为医疗图像识别设计的轻量级深度学习框架。该框架采用简洁的架构设计，在保持较高识别精度的同时，显著降低了计算资源需求，特别适合医疗教学和基础研究场景。
## 特点
- **轻量级设计**
- 精简的网络架构
- 低计算资源消耗
- 快速训练和推理
- **易于使用**
- 简洁的API接口
- 完整的示例代码
- 详细的文档说明
- **医疗场景优化**
- 适配医疗图像特点
- 支持常见医疗数据格式
- 提供预训练模型
## 安装
### 环境要求
- Python >= 3.8
- PyTorch >= 1.8.0
- CUDA >= 10.2 (可选，用于GPU加速)
### 通过pip安装
```bash
pip install medbasenet
```
### 从源码安装
```bash
git clone https://github.com/alltobebetter/medbasenet.git
cd medbasenet
pip install -r requirements.txt
python setup.py install
```
## 快速开始
### 基础使用
```python
from medbasenet import MedBaseNet
import torch
# 初始化模型
model = MedBaseNet(num_classes=2)
# 准备数据
input_tensor = torch.randn(1, 3, 224, 224)
# 模型推理
output = model(input_tensor)
```
### 训练示例
```python
# 训练新模型
python examples/train.py --data_path /path/to/dataset --epochs 100
# 使用预训练模型进行推理
python examples/inference.py --image_path /path/to/image.jpg --model_path /path/to/model.pth
```
## 模型架构
MedBaseNet 采用经典的卷积神经网络架构，主要包含以下模块：
- 特征提取器：多层卷积网络
- 全局池化层：自适应平均池化
- 分类器：全连接层
```python
MedBaseNet(
(feature_extractor): Sequential(
(conv1): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True)
...
)
(classifier): Sequential(
(fc): Linear(in_features=256, out_features=num_classes)
)
)
```
## 性能评估
在标准医疗数据集上的表现：
| 数据集 | 准确率 | 召回率 | F1分数 |
|-------|--------|--------|--------|
| ChestX-ray14 | 90.8% | 90.2% | 90.5% |
| ISIC 2019 | 89.5% | 88.9% | 89.2% |
| PathMNIST | 91.2% | 90.8% | 91.0% |
## 示例
### 1. 基础图像分类
```python
from medbasenet import MedBaseNet
from medbasenet.utils import load_image
# 加载模型
model = MedBaseNet.from_pretrained('medbasenet_chest_xray')
# 预测
image = load_image('example.jpg')
prediction = model.predict(image)
```
### 2. 批量处理
```python
# 批量处理示例代码
```
### 3. 模型微调
```python
# 模型微调示例代码
```
## 数据准备
### 推荐的数据结构
```
dataset/
├── train/
│ ├── class1/
│ │ ├── image1.jpg
│ │ └── image2.jpg
│ └── class2/
│ ├── image1.jpg
│ └── image2.jpg
└── test/
├── class1/
└── class2/
```
## 常见问题
1. **如何选择合适的学习率？**
- 推荐初始学习率设置为0.001
- 使用学习率调度器进行动态调整
2. **模型训练时内存不足？**
- 减小batch size
- 使用梯度累积
- 考虑使用混合精度训练
## 引用
如果您在研究中使用了MedBaseNet，请引用：
```bibtex
@article{medbasenet2024,
title={MedBaseNet: A Lightweight Framework for Medical Image Recognition},
author={Your Name},
journal={arXiv preprint arXiv:2024.1113},
year={2024}
}
```
## 贡献指南
我们欢迎所有形式的贡献，包括但不限于：
- 提交问题和建议
- 改进文档
- 提交代码修复
- 提出新功能
请查看 [CONTRIBUTING.md](CONTRIBUTING.md) 了解更多详情。
## 许可证
本项目采用 MIT 许可证 - 查看 [LICENSE](LICENSE) 文件了解详情
## 致谢
感谢所有为本项目做出贡献的研究者和开发者。