TorchIO: библиотека Python для эффективной загрузки, предобработки, аугментации и выборки патчей медицинских изображений при глубоком обучении

Введение и цель: Обработка медицинских изображений, таких как МРТ и КТ, связана с особыми трудностями по сравнению с обработкой RGB-изображений, обычно используемых в компьютерном зрении. К ним относятся нехватка размеченных данных в больших наборах, высокие вычислительные затраты и необходимость учитывать метаданные, описывающие физические характеристики вокселей. Аугментация данных позволяет искусственно увеличить обучающую выборку. Обучение на подтомах или патчах снижает потребность в вычислительных ресурсах. Для правильного совмещения и ориентации томов необходимо тщательно учитывать пространственные метаданные.

Методы: Мы представляем TorchIO — библиотеку Python с открытым исходным кодом для эффективной загрузки, предобработки, аугментации и выборки патчей медицинских изображений при глубоком обучении. TorchIO следует принципам PyTorch и объединяет стандартные библиотеки для обработки медицинских изображений, что позволяет эффективно работать с изображениями при обучении нейронных сетей. Преобразования TorchIO можно комбинировать, воспроизводить, отслеживать и расширять. Большинство преобразований обратимы, поэтому библиотека подходит для аугментации при тестировании и оценки алеаторной неопределённости при сегментации. В библиотеке представлены различные универсальные операции предобработки и аугментации, а также моделирование артефактов, характерных для МРТ.

Результаты: Исходный код, подробные учебные материалы и документация TorchIO доступны по адресу http://torchio.rtfd.io/. Пакет можно установить из Python Package Index (PyPI) с помощью команды `pip install torchio`. В него входит интерфейс командной строки, позволяющий применять преобразования к файлам изображений без использования Python. Кроме того, в расширении TorchIO для 3D Slicer доступен графический интерфейс, позволяющий визуализировать результаты преобразований.

Выводы: TorchIO создана, чтобы помочь исследователям стандартизировать конвейеры обработки медицинских изображений и сосредоточиться на экспериментах с глубоким обучением. Библиотека способствует соблюдению принципов открытой науки: она поддерживает воспроизводимость экспериментов и использует систему контроля версий, что позволяет точно цитировать программное обеспечение. Благодаря модульной структуре библиотека совместима с другими фреймворками для глубокого обучения на медицинских изображениях.