ホーム » MONAI (ページ 5)

「MONAI」カテゴリーアーカイブ

MONAI 0.7 : tutorials : 2D 分類 – MedNIST データセットによる医用画像分類

10/05/2021

MONAI 0.7 : tutorials : 2D 分類 – MedNIST データセットによる医用画像分類 (翻訳/解説)

翻訳 : (株)クラスキャットセールスインフォメーション
作成日時 : 10/05/2021 (0.7.0)

* 本ページは、MONAI の以下のドキュメントを翻訳した上で適宜、補足説明したものです：

Medical Image Classification Tutorial with the MedNIST Dataset

* サンプルコードの動作確認はしておりますが、必要な場合には適宜、追加改変しています。
* ご自由にリンクを張って頂いてかまいませんが、sales-info@classcat.com までご一報いただけると嬉しいです。

クラスキャット人工知能研究開発支援サービス ★ 無料 Web セミナー開催中 ★

◆ クラスキャットは人工知能・テレワークに関する各種サービスを提供しております。お気軽にご相談ください :

人工知能研究開発支援
1. 人工知能研修サービス(経営者層向けオンサイト研修)
2. テクニカルコンサルティングサービス
3. 実証実験(プロトタイプ構築)
4. アプリケーションへの実装
人工知能研修サービス
PoC(概念実証)を失敗させないための支援
テレワーク & オンライン授業を支援

◆ 人工知能とビジネスをテーマに WEB セミナーを定期的に開催しています。スケジュール。

お住まいの地域に関係なく Web ブラウザからご参加頂けます。事前登録 が必要ですのでご注意ください。
ウェビナー運用には弊社製品「ClassCat® Webinar」を利用しています。

◆ お問合せ : 本件に関するお問い合わせ先は下記までお願いいたします。

株式会社クラスキャット セールス・マーケティング本部セールス・インフォメーション

E-Mail：sales-info@classcat.com ; WebSite: https://www.classcat.com/ ; Facebook

MONAI 0.7 : tutorials : 2D 分類 – MedNIST データセットによる医用画像分類

このノートブックは MONAI 機能を既存の PyTorch プログラムに容易に統合する方法を示します。それは MedNIST データセットに基づいています、これは初心者のためにチュートリアルとして非常に適切です。このチュートリアルはまた MONAI 組込みのオクルージョン感度の機能も利用しています。

また、このチュートリアルでは、MONAIに内蔵されているオクルージョン感度機能も利用しています。

このチュートリアルでは、MedNIST データセットに基づく end-to-end な訓練と評価サンプルを紹介します。

以下のステップで進めます :

訓練とテストのためにデータセットを作成する。
データを前処理するために MONAI 変換を利用します。
分類のために MONAI から DenseNet を利用します。
モデルを PyTorch プログラムで訓練します。
テストデータセット上で評価します。

環境のセットアップ

!python -c "import monai" || pip install -q "monai-weekly[pillow, tqdm]"
!python -c "import matplotlib" || pip install -q matplotlib
%matplotlib inline

インポートのセットアップ

# Copyright 2020 MONAI Consortium
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#     http://www.apache.org/licenses/LICENSE-2.0
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

import os
import shutil
import tempfile
import matplotlib.pyplot as plt
import PIL
import torch
import numpy as np
from sklearn.metrics import classification_report

from monai.apps import download_and_extract
from monai.config import print_config
from monai.data import decollate_batch
from monai.metrics import ROCAUCMetric
from monai.networks.nets import DenseNet121
from monai.transforms import (
    Activations,
    AddChannel,
    AsDiscrete,
    Compose,
    LoadImage,
    RandFlip,
    RandRotate,
    RandZoom,
    ScaleIntensity,
    EnsureType,
)
from monai.utils import set_determinism

print_config()

MONAI version: 0.6.0rc1+15.gf3d436a0
Numpy version: 1.20.3
Pytorch version: 1.9.0a0+c3d40fd
MONAI flags: HAS_EXT = True, USE_COMPILED = False
MONAI rev id: f3d436a09deefcf905ece2faeec37f55ab030003

Optional dependencies:
Pytorch Ignite version: 0.4.5
Nibabel version: 3.2.1
scikit-image version: 0.15.0
Pillow version: 8.2.0
Tensorboard version: 2.5.0
gdown version: 3.13.0
TorchVision version: 0.10.0a0
ITK version: 5.1.2
tqdm version: 4.53.0
lmdb version: 1.2.1
psutil version: 5.8.0
pandas version: 1.1.4
einops version: 0.3.0

For details about installing the optional dependencies, please visit:
    https://docs.monai.io/en/latest/installation.html#installing-the-recommended-dependencies

データディレクトリのセットアップ

MONAI_DATA_DIRECTORY 環境変数でディレクトリを指定できます。これは結果をセーブしてダウンロードを再利用することを可能にします。指定されない場合、一時ディレクトリが使用されます。

directory = os.environ.get("MONAI_DATA_DIRECTORY")
root_dir = tempfile.mkdtemp() if directory is None else directory
print(root_dir)

/workspace/data/medical

データセットをダウンロードする

MedMNIST データセットは TCIA, RSNA Bone Age チャレンジと NIH Chest X-ray データセットからの様々なセットから集められました。

データセットは Dr. Bradley J. Erickson M.D., Ph.D. (Department of Radiology, Mayo Clinic) のお陰により Creative Commons CC BY-SA 4.0 ライセンスのもとで利用可能になっています。

MedNIST データセットを使用する場合、出典を明示してください。

resource = "https://drive.google.com/uc?id=1QsnnkvZyJPcbRoV_ArW8SnE1OTuoVbKE"
md5 = "0bc7306e7427e00ad1c5526a6677552d"

compressed_file = os.path.join(root_dir, "MedNIST.tar.gz")
data_dir = os.path.join(root_dir, "MedNIST")
if not os.path.exists(data_dir):
    download_and_extract(resource, compressed_file, root_dir, md5)

再現性のために決定論的訓練を設定する

set_determinism(seed=0)

データセットフォルダから画像ファイル名を読む

まず最初に、データセットファイルを確認して幾つかの統計を表示します。
データセットには 6 つのフォルダがあります : Hand, AbdomenCT, CXR, ChestCT, BreastMRI, HeadCT,
これらは分類モデルを訓練するためにラベルとして使用されるべきです。

class_names = sorted(x for x in os.listdir(data_dir)
                     if os.path.isdir(os.path.join(data_dir, x)))
num_class = len(class_names)
image_files = [
    [
        os.path.join(data_dir, class_names[i], x)
        for x in os.listdir(os.path.join(data_dir, class_names[i]))
    ]
    for i in range(num_class)
]
num_each = [len(image_files[i]) for i in range(num_class)]
image_files_list = []
image_class = []
for i in range(num_class):
    image_files_list.extend(image_files[i])
    image_class.extend([i] * num_each[i])
num_total = len(image_class)
image_width, image_height = PIL.Image.open(image_files_list[0]).size

print(f"Total image count: {num_total}")
print(f"Image dimensions: {image_width} x {image_height}")
print(f"Label names: {class_names}")
print(f"Label counts: {num_each}")

Total image count: 58954
Image dimensions: 64 x 64
Label names: ['AbdomenCT', 'BreastMRI', 'CXR', 'ChestCT', 'Hand', 'HeadCT']
Label counts: [10000, 8954, 10000, 10000, 10000, 10000]

データセットから画像をランダムに選択して可視化して確認する

plt.subplots(3, 3, figsize=(8, 8))
for i, k in enumerate(np.random.randint(num_total, size=9)):
    im = PIL.Image.open(image_files_list[k])
    arr = np.array(im)
    plt.subplot(3, 3, i + 1)
    plt.xlabel(class_names[image_class[k]])
    plt.imshow(arr, cmap="gray", vmin=0, vmax=255)
plt.tight_layout()
plt.show()

訓練、検証とテストデータのリストを準備する

データセットの 10% を検証用に、そして 10% をテスト用にランダムに選択します。

val_frac = 0.1
test_frac = 0.1
length = len(image_files_list)
indices = np.arange(length)
np.random.shuffle(indices)

test_split = int(test_frac * length)
val_split = int(val_frac * length) + test_split
test_indices = indices[:test_split]
val_indices = indices[test_split:val_split]
train_indices = indices[val_split:]

train_x = [image_files_list[i] for i in train_indices]
train_y = [image_class[i] for i in train_indices]
val_x = [image_files_list[i] for i in val_indices]
val_y = [image_class[i] for i in val_indices]
test_x = [image_files_list[i] for i in test_indices]
test_y = [image_class[i] for i in test_indices]

print(
    f"Training count: {len(train_x)}, Validation count: "
    f"{len(val_x)}, Test count: {len(test_x)}")

Training count: 47156, Validation count: 5913, Test count: 5885

データを前処理するために MONAI 変換、Dataset と Dataloader を定義する

train_transforms = Compose(
    [
        LoadImage(image_only=True),
        AddChannel(),
        ScaleIntensity(),
        RandRotate(range_x=np.pi / 12, prob=0.5, keep_size=True),
        RandFlip(spatial_axis=0, prob=0.5),
        RandZoom(min_zoom=0.9, max_zoom=1.1, prob=0.5),
        EnsureType(),
    ]
)

val_transforms = Compose(
    [LoadImage(image_only=True), AddChannel(), ScaleIntensity(), EnsureType()])

y_pred_trans = Compose([EnsureType(), Activations(softmax=True)])
y_trans = Compose([EnsureType(), AsDiscrete(to_onehot=True, num_classes=num_class)])

class MedNISTDataset(torch.utils.data.Dataset):
    def __init__(self, image_files, labels, transforms):
        self.image_files = image_files
        self.labels = labels
        self.transforms = transforms

    def __len__(self):
        return len(self.image_files)

    def __getitem__(self, index):
        return self.transforms(self.image_files[index]), self.labels[index]


train_ds = MedNISTDataset(train_x, train_y, train_transforms)
train_loader = torch.utils.data.DataLoader(
    train_ds, batch_size=300, shuffle=True, num_workers=10)

val_ds = MedNISTDataset(val_x, val_y, val_transforms)
val_loader = torch.utils.data.DataLoader(
    val_ds, batch_size=300, num_workers=10)

test_ds = MedNISTDataset(test_x, test_y, val_transforms)
test_loader = torch.utils.data.DataLoader(
    test_ds, batch_size=300, num_workers=10)

ネットワークと optimizer を定義する

バッチ毎にモデルがどのくらい更新されるかについて学習率を設定します。
合計エポック数を設定します、シャッフルしてランダムな変換を行ないますので、総てのエポックの訓練データは異なります。そしてこれは get start チュートリアルに過ぎませんので、4 エポックだけ訓練しましょう。10 エポック訓練すれば、モデルはテストデータセット上で 100% 精度を達成できます。
MONAI からの DenseNet を使用して GPU デバイスに移動します、この DenseNet は 2D と 3D 分類タスクの両方をサポートできます。

Adam optimizer を使用します。

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = DenseNet121(spatial_dims=2, in_channels=1,
                    out_channels=num_class).to(device)
loss_function = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), 1e-5)
max_epochs = 4
val_interval = 1
auc_metric = ROCAUCMetric()

モデル訓練

典型的な PyTorch 訓練を実行します、これはエポック・ループとステップ・ループを実行して、総てのエポック後に検証を行ないます。ベストの検証精度を得た場合、モデル重みをファイルにセーブします。

best_metric = -1
best_metric_epoch = -1
epoch_loss_values = []
metric_values = []

for epoch in range(max_epochs):
    print("-" * 10)
    print(f"epoch {epoch + 1}/{max_epochs}")
    model.train()
    epoch_loss = 0
    step = 0
    for batch_data in train_loader:
        step += 1
        inputs, labels = batch_data[0].to(device), batch_data[1].to(device)
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = loss_function(outputs, labels)
        loss.backward()
        optimizer.step()
        epoch_loss += loss.item()
        print(
            f"{step}/{len(train_ds) // train_loader.batch_size}, "
            f"train_loss: {loss.item():.4f}")
        epoch_len = len(train_ds) // train_loader.batch_size
    epoch_loss /= step
    epoch_loss_values.append(epoch_loss)
    print(f"epoch {epoch + 1} average loss: {epoch_loss:.4f}")

    if (epoch + 1) % val_interval == 0:
        model.eval()
        with torch.no_grad():
            y_pred = torch.tensor([], dtype=torch.float32, device=device)
            y = torch.tensor([], dtype=torch.long, device=device)
            for val_data in val_loader:
                val_images, val_labels = (
                    val_data[0].to(device),
                    val_data[1].to(device),
                )
                y_pred = torch.cat([y_pred, model(val_images)], dim=0)
                y = torch.cat([y, val_labels], dim=0)
            y_onehot = [y_trans(i) for i in decollate_batch(y)]
            y_pred_act = [y_pred_trans(i) for i in decollate_batch(y_pred)]
            auc_metric(y_pred_act, y_onehot)
            result = auc_metric.aggregate()
            auc_metric.reset()
            del y_pred_act, y_onehot
            metric_values.append(result)
            acc_value = torch.eq(y_pred.argmax(dim=1), y)
            acc_metric = acc_value.sum().item() / len(acc_value)
            if result > best_metric:
                best_metric = result
                best_metric_epoch = epoch + 1
                torch.save(model.state_dict(), os.path.join(
                    root_dir, "best_metric_model.pth"))
                print("saved new best metric model")
            print(
                f"current epoch: {epoch + 1} current AUC: {result:.4f}"
                f" current accuracy: {acc_metric:.4f}"
                f" best AUC: {best_metric:.4f}"
                f" at epoch: {best_metric_epoch}"
            )

print(
    f"train completed, best_metric: {best_metric:.4f} "
    f"at epoch: {best_metric_epoch}")

----------
epoch 1/4
1/157, train_loss: 1.7898
2/157, train_loss: 1.7560
3/157, train_loss: 1.7461
4/157, train_loss: 1.7241
5/157, train_loss: 1.6973
6/157, train_loss: 1.6706
7/157, train_loss: 1.6388
8/157, train_loss: 1.6210
9/157, train_loss: 1.5989
10/157, train_loss: 1.5599
11/157, train_loss: 1.5826
12/157, train_loss: 1.5339
13/157, train_loss: 1.5235
14/157, train_loss: 1.5098
15/157, train_loss: 1.4746
16/157, train_loss: 1.4584
17/157, train_loss: 1.4365
18/157, train_loss: 1.4328
19/157, train_loss: 1.4274
20/157, train_loss: 1.4327
21/157, train_loss: 1.4017
22/157, train_loss: 1.3231
23/157, train_loss: 1.3180
24/157, train_loss: 1.3001
25/157, train_loss: 1.2958
26/157, train_loss: 1.3021
27/157, train_loss: 1.2336
28/157, train_loss: 1.2154
29/157, train_loss: 1.2595
30/157, train_loss: 1.2050
31/157, train_loss: 1.2161
32/157, train_loss: 1.2106
33/157, train_loss: 1.1495
34/157, train_loss: 1.1550
35/157, train_loss: 1.1246
36/157, train_loss: 1.1607
37/157, train_loss: 1.1126
38/157, train_loss: 1.0987
39/157, train_loss: 1.0694
40/157, train_loss: 1.1181
41/157, train_loss: 1.0576
42/157, train_loss: 1.0703
43/157, train_loss: 1.0414
44/157, train_loss: 1.0446
45/157, train_loss: 1.0313
46/157, train_loss: 0.9786
47/157, train_loss: 0.9767
48/157, train_loss: 0.9579
49/157, train_loss: 0.9659
50/157, train_loss: 1.0069
51/157, train_loss: 0.9868
52/157, train_loss: 0.9637
53/157, train_loss: 0.9301
54/157, train_loss: 0.9382
55/157, train_loss: 0.8923
56/157, train_loss: 0.9034
57/157, train_loss: 0.8674
58/157, train_loss: 0.8707
59/157, train_loss: 0.8876
60/157, train_loss: 0.8628
61/157, train_loss: 0.7709
62/157, train_loss: 0.8494
63/157, train_loss: 0.8264
64/157, train_loss: 0.8011
65/157, train_loss: 0.8186
66/157, train_loss: 0.8016
67/157, train_loss: 0.7813
68/157, train_loss: 0.7447
69/157, train_loss: 0.7201
70/157, train_loss: 0.7323
71/157, train_loss: 0.7332
72/157, train_loss: 0.7379
73/157, train_loss: 0.7495
74/157, train_loss: 0.7157
75/157, train_loss: 0.7007
76/157, train_loss: 0.7058
77/157, train_loss: 0.6814
78/157, train_loss: 0.6738
79/157, train_loss: 0.6449
80/157, train_loss: 0.6393
81/157, train_loss: 0.6238
82/157, train_loss: 0.6234
83/157, train_loss: 0.6262
84/157, train_loss: 0.6044
85/157, train_loss: 0.6005
86/157, train_loss: 0.5783
87/157, train_loss: 0.5570
88/157, train_loss: 0.5569
89/157, train_loss: 0.5633
90/157, train_loss: 0.5199
91/157, train_loss: 0.5846
92/157, train_loss: 0.5915
93/157, train_loss: 0.5612
94/157, train_loss: 0.5785
95/157, train_loss: 0.5654
96/157, train_loss: 0.5437
97/157, train_loss: 0.5429
98/157, train_loss: 0.5053
99/157, train_loss: 0.5221
100/157, train_loss: 0.4928
101/157, train_loss: 0.5064
102/157, train_loss: 0.5104
103/157, train_loss: 0.4830
104/157, train_loss: 0.4901
105/157, train_loss: 0.4957
106/157, train_loss: 0.4913
107/157, train_loss: 0.4722
108/157, train_loss: 0.4756
109/157, train_loss: 0.4803
110/157, train_loss: 0.4534
111/157, train_loss: 0.4383
112/157, train_loss: 0.4437
113/157, train_loss: 0.4264
114/157, train_loss: 0.4067
115/157, train_loss: 0.4268
116/157, train_loss: 0.4136
117/157, train_loss: 0.4115
118/157, train_loss: 0.4082
119/157, train_loss: 0.4246
120/157, train_loss: 0.4018
121/157, train_loss: 0.4161
122/157, train_loss: 0.3475
123/157, train_loss: 0.4233
124/157, train_loss: 0.4043
125/157, train_loss: 0.3192
126/157, train_loss: 0.3611
127/157, train_loss: 0.3475
128/157, train_loss: 0.3580
129/157, train_loss: 0.3286
130/157, train_loss: 0.3688
131/157, train_loss: 0.3205
132/157, train_loss: 0.3745
133/157, train_loss: 0.3709
134/157, train_loss: 0.3535
135/157, train_loss: 0.3729
136/157, train_loss: 0.2839
137/157, train_loss: 0.3614
138/157, train_loss: 0.2981
139/157, train_loss: 0.3280
140/157, train_loss: 0.3031
141/157, train_loss: 0.2994
142/157, train_loss: 0.3296
143/157, train_loss: 0.3032
144/157, train_loss: 0.2965
145/157, train_loss: 0.2955
146/157, train_loss: 0.3379
147/157, train_loss: 0.3339
148/157, train_loss: 0.3092
149/157, train_loss: 0.2723
150/157, train_loss: 0.3171
151/157, train_loss: 0.2933
152/157, train_loss: 0.2841
153/157, train_loss: 0.2723
154/157, train_loss: 0.2954
155/157, train_loss: 0.2955
156/157, train_loss: 0.2969
157/157, train_loss: 0.2674
158/157, train_loss: 0.2465
epoch 1 average loss: 0.7768
saved new best metric model
current epoch: 1 current AUC: 0.9984 current accuracy: 0.9618 best AUC: 0.9984 at epoch: 1
----------
epoch 2/4
1/157, train_loss: 0.2618
2/157, train_loss: 0.2525
3/157, train_loss: 0.2640
4/157, train_loss: 0.2566
5/157, train_loss: 0.2526
6/157, train_loss: 0.2337
7/157, train_loss: 0.2311
8/157, train_loss: 0.2351
9/157, train_loss: 0.2332
10/157, train_loss: 0.2783
11/157, train_loss: 0.2521
12/157, train_loss: 0.2458
13/157, train_loss: 0.2261
14/157, train_loss: 0.2362
15/157, train_loss: 0.2702
16/157, train_loss: 0.2399
17/157, train_loss: 0.2113
18/157, train_loss: 0.2452
19/157, train_loss: 0.2202
20/157, train_loss: 0.2124
21/157, train_loss: 0.2050
22/157, train_loss: 0.2297
23/157, train_loss: 0.2410
24/157, train_loss: 0.2254
25/157, train_loss: 0.2276
26/157, train_loss: 0.2344
27/157, train_loss: 0.1969
28/157, train_loss: 0.2110
29/157, train_loss: 0.2114
30/157, train_loss: 0.2424
31/157, train_loss: 0.2111
32/157, train_loss: 0.1963
33/157, train_loss: 0.1799
34/157, train_loss: 0.1925
35/157, train_loss: 0.2277
36/157, train_loss: 0.2327
37/157, train_loss: 0.1968
38/157, train_loss: 0.2165
39/157, train_loss: 0.1924
40/157, train_loss: 0.1959
41/157, train_loss: 0.1764
42/157, train_loss: 0.2327
43/157, train_loss: 0.1955
44/157, train_loss: 0.1669
45/157, train_loss: 0.1829
46/157, train_loss: 0.1894
47/157, train_loss: 0.2079
48/157, train_loss: 0.1984
49/157, train_loss: 0.2035
50/157, train_loss: 0.1879
51/157, train_loss: 0.1839
52/157, train_loss: 0.1885
53/157, train_loss: 0.1887
54/157, train_loss: 0.1733
55/157, train_loss: 0.1828
56/157, train_loss: 0.1593
57/157, train_loss: 0.1906
58/157, train_loss: 0.1494
59/157, train_loss: 0.1740
60/157, train_loss: 0.1791
61/157, train_loss: 0.1763
62/157, train_loss: 0.1659
63/157, train_loss: 0.1961
64/157, train_loss: 0.1593
65/157, train_loss: 0.1468
66/157, train_loss: 0.1576
67/157, train_loss: 0.1567
68/157, train_loss: 0.1751
69/157, train_loss: 0.1640
70/157, train_loss: 0.1702
71/157, train_loss: 0.1406
72/157, train_loss: 0.1519
73/157, train_loss: 0.1552
74/157, train_loss: 0.1581
75/157, train_loss: 0.1564
76/157, train_loss: 0.1741
77/157, train_loss: 0.1474
78/157, train_loss: 0.1473
79/157, train_loss: 0.1402
80/157, train_loss: 0.1402
81/157, train_loss: 0.1471
82/157, train_loss: 0.1556
83/157, train_loss: 0.1329
84/157, train_loss: 0.1578
85/157, train_loss: 0.1364
86/157, train_loss: 0.1413
87/157, train_loss: 0.1170
88/157, train_loss: 0.1332
89/157, train_loss: 0.1369
90/157, train_loss: 0.1500
91/157, train_loss: 0.1320
92/157, train_loss: 0.1265
93/157, train_loss: 0.1444
94/157, train_loss: 0.1278
95/157, train_loss: 0.1348
96/157, train_loss: 0.1403
97/157, train_loss: 0.1246
98/157, train_loss: 0.1125
99/157, train_loss: 0.1509
100/157, train_loss: 0.1270
101/157, train_loss: 0.1286
102/157, train_loss: 0.1160
103/157, train_loss: 0.1239
104/157, train_loss: 0.1052
105/157, train_loss: 0.1238
106/157, train_loss: 0.1110
107/157, train_loss: 0.1429
108/157, train_loss: 0.1097
109/157, train_loss: 0.1099
110/157, train_loss: 0.1403
111/157, train_loss: 0.1460
112/157, train_loss: 0.1216
113/157, train_loss: 0.1079
114/157, train_loss: 0.1187
115/157, train_loss: 0.1519
116/157, train_loss: 0.1128
117/157, train_loss: 0.1174
118/157, train_loss: 0.1094
119/157, train_loss: 0.1106
120/157, train_loss: 0.1179
121/157, train_loss: 0.1278
122/157, train_loss: 0.1331
123/157, train_loss: 0.1484
124/157, train_loss: 0.1140
125/157, train_loss: 0.1302
126/157, train_loss: 0.1201
127/157, train_loss: 0.1038
128/157, train_loss: 0.1108
129/157, train_loss: 0.1446
130/157, train_loss: 0.0905
131/157, train_loss: 0.1323
132/157, train_loss: 0.0995
133/157, train_loss: 0.0998
134/157, train_loss: 0.0937
135/157, train_loss: 0.1240
136/157, train_loss: 0.0871
137/157, train_loss: 0.1131
138/157, train_loss: 0.1349
139/157, train_loss: 0.1316
140/157, train_loss: 0.0989
141/157, train_loss: 0.1081
142/157, train_loss: 0.1240
143/157, train_loss: 0.1104
144/157, train_loss: 0.0980
145/157, train_loss: 0.1081
146/157, train_loss: 0.0906
147/157, train_loss: 0.1624
148/157, train_loss: 0.1025
149/157, train_loss: 0.1071
150/157, train_loss: 0.0988
151/157, train_loss: 0.1151
152/157, train_loss: 0.1425
153/157, train_loss: 0.1092
154/157, train_loss: 0.0831
155/157, train_loss: 0.1252
156/157, train_loss: 0.0960
157/157, train_loss: 0.1076
158/157, train_loss: 0.0725
epoch 2 average loss: 0.1612
saved new best metric model
current epoch: 2 current AUC: 0.9997 current accuracy: 0.9863 best AUC: 0.9997 at epoch: 2
----------
epoch 3/4
1/157, train_loss: 0.1095
2/157, train_loss: 0.0810
3/157, train_loss: 0.1085
4/157, train_loss: 0.1033
5/157, train_loss: 0.1527
6/157, train_loss: 0.0988
7/157, train_loss: 0.0935
8/157, train_loss: 0.0903
9/157, train_loss: 0.0941
10/157, train_loss: 0.0742
11/157, train_loss: 0.1127
12/157, train_loss: 0.0803
13/157, train_loss: 0.0937
14/157, train_loss: 0.0810
15/157, train_loss: 0.0965
16/157, train_loss: 0.0705
17/157, train_loss: 0.0802
18/157, train_loss: 0.1040
19/157, train_loss: 0.0940
20/157, train_loss: 0.0758
21/157, train_loss: 0.1002
22/157, train_loss: 0.0720
23/157, train_loss: 0.0773
24/157, train_loss: 0.0906
25/157, train_loss: 0.1002
26/157, train_loss: 0.0948
27/157, train_loss: 0.0731
28/157, train_loss: 0.0938
29/157, train_loss: 0.0731
30/157, train_loss: 0.1004
31/157, train_loss: 0.0829
32/157, train_loss: 0.0864
33/157, train_loss: 0.0729
34/157, train_loss: 0.0773
35/157, train_loss: 0.0719
36/157, train_loss: 0.0875
37/157, train_loss: 0.0897
38/157, train_loss: 0.0740
39/157, train_loss: 0.1091
40/157, train_loss: 0.0652
41/157, train_loss: 0.0899
42/157, train_loss: 0.0853
43/157, train_loss: 0.0727
44/157, train_loss: 0.0843
45/157, train_loss: 0.0878
46/157, train_loss: 0.1135
47/157, train_loss: 0.1041
48/157, train_loss: 0.0935
49/157, train_loss: 0.0879
50/157, train_loss: 0.0922
51/157, train_loss: 0.0862
52/157, train_loss: 0.0692
53/157, train_loss: 0.0784
54/157, train_loss: 0.0986
55/157, train_loss: 0.0707
56/157, train_loss: 0.1013
57/157, train_loss: 0.0598
58/157, train_loss: 0.0639
59/157, train_loss: 0.0587
60/157, train_loss: 0.1027
61/157, train_loss: 0.0711
62/157, train_loss: 0.0775
63/157, train_loss: 0.1045
64/157, train_loss: 0.0655
65/157, train_loss: 0.0621
66/157, train_loss: 0.0636
67/157, train_loss: 0.0774
68/157, train_loss: 0.0875
69/157, train_loss: 0.0664
70/157, train_loss: 0.0707
71/157, train_loss: 0.0814
72/157, train_loss: 0.1022
73/157, train_loss: 0.0820
74/157, train_loss: 0.0829
75/157, train_loss: 0.0809
76/157, train_loss: 0.0975
77/157, train_loss: 0.0684
78/157, train_loss: 0.0686
79/157, train_loss: 0.0831
80/157, train_loss: 0.0671
81/157, train_loss: 0.0647
82/157, train_loss: 0.0574
83/157, train_loss: 0.0611
84/157, train_loss: 0.0886
85/157, train_loss: 0.0674
86/157, train_loss: 0.0609
87/157, train_loss: 0.0582
88/157, train_loss: 0.0584
89/157, train_loss: 0.0751
90/157, train_loss: 0.0720
91/157, train_loss: 0.0727
92/157, train_loss: 0.0664
93/157, train_loss: 0.0681
94/157, train_loss: 0.0791
95/157, train_loss: 0.0880
96/157, train_loss: 0.0746
97/157, train_loss: 0.0730
98/157, train_loss: 0.0818
99/157, train_loss: 0.0617
100/157, train_loss: 0.0646
101/157, train_loss: 0.0607
102/157, train_loss: 0.0749
103/157, train_loss: 0.0656
104/157, train_loss: 0.0607
105/157, train_loss: 0.0713
106/157, train_loss: 0.0725
107/157, train_loss: 0.0711
108/157, train_loss: 0.0642
109/157, train_loss: 0.0624
110/157, train_loss: 0.0685
111/157, train_loss: 0.0542
112/157, train_loss: 0.0771
113/157, train_loss: 0.0786
114/157, train_loss: 0.0580
115/157, train_loss: 0.0698
116/157, train_loss: 0.0847
117/157, train_loss: 0.0542
118/157, train_loss: 0.0760
119/157, train_loss: 0.0817
120/157, train_loss: 0.0904
121/157, train_loss: 0.0705
122/157, train_loss: 0.0541
123/157, train_loss: 0.0521
124/157, train_loss: 0.0555
125/157, train_loss: 0.0491
126/157, train_loss: 0.0504
127/157, train_loss: 0.0598
128/157, train_loss: 0.0417
129/157, train_loss: 0.0470
130/157, train_loss: 0.0584
131/157, train_loss: 0.0498
132/157, train_loss: 0.0532
133/157, train_loss: 0.0515
134/157, train_loss: 0.0575
135/157, train_loss: 0.0506
136/157, train_loss: 0.0519
137/157, train_loss: 0.0727
138/157, train_loss: 0.0796
139/157, train_loss: 0.0469
140/157, train_loss: 0.0509
141/157, train_loss: 0.0501
142/157, train_loss: 0.0603
143/157, train_loss: 0.0499
144/157, train_loss: 0.0585
145/157, train_loss: 0.0590
146/157, train_loss: 0.0447
147/157, train_loss: 0.0699
148/157, train_loss: 0.0595
149/157, train_loss: 0.0372
150/157, train_loss: 0.0446
151/157, train_loss: 0.0576
152/157, train_loss: 0.0735
153/157, train_loss: 0.0464
154/157, train_loss: 0.0742
155/157, train_loss: 0.0356
156/157, train_loss: 0.0492
157/157, train_loss: 0.0644
158/157, train_loss: 0.0630
epoch 3 average loss: 0.0743
saved new best metric model
current epoch: 3 current AUC: 0.9999 current accuracy: 0.9924 best AUC: 0.9999 at epoch: 3
----------
epoch 4/4
1/157, train_loss: 0.0563
2/157, train_loss: 0.0645
3/157, train_loss: 0.0497
4/157, train_loss: 0.0579
5/157, train_loss: 0.0442
6/157, train_loss: 0.0588
7/157, train_loss: 0.0501
8/157, train_loss: 0.0402
9/157, train_loss: 0.0432
10/157, train_loss: 0.0465
11/157, train_loss: 0.0546
12/157, train_loss: 0.0548
13/157, train_loss: 0.0430
14/157, train_loss: 0.0448
15/157, train_loss: 0.0533
16/157, train_loss: 0.0521
17/157, train_loss: 0.0406
18/157, train_loss: 0.0426
19/157, train_loss: 0.0471
20/157, train_loss: 0.0570
21/157, train_loss: 0.0611
22/157, train_loss: 0.0500
23/157, train_loss: 0.0532
24/157, train_loss: 0.0549
25/157, train_loss: 0.0488
26/157, train_loss: 0.0574
27/157, train_loss: 0.0587
28/157, train_loss: 0.0488
29/157, train_loss: 0.0509
30/157, train_loss: 0.0299
31/157, train_loss: 0.0404
32/157, train_loss: 0.0345
33/157, train_loss: 0.0569
34/157, train_loss: 0.0361
35/157, train_loss: 0.0623
36/157, train_loss: 0.0686
37/157, train_loss: 0.0376
38/157, train_loss: 0.0528
39/157, train_loss: 0.0367
40/157, train_loss: 0.0466
41/157, train_loss: 0.0551
42/157, train_loss: 0.0374
43/157, train_loss: 0.0681
44/157, train_loss: 0.0386
45/157, train_loss: 0.0636
46/157, train_loss: 0.0555
47/157, train_loss: 0.0449
48/157, train_loss: 0.0481
49/157, train_loss: 0.0382
50/157, train_loss: 0.0682
51/157, train_loss: 0.0511
52/157, train_loss: 0.0606
53/157, train_loss: 0.0490
54/157, train_loss: 0.0497
55/157, train_loss: 0.0476
56/157, train_loss: 0.0457
57/157, train_loss: 0.0545
58/157, train_loss: 0.0426
59/157, train_loss: 0.0445
60/157, train_loss: 0.0528
61/157, train_loss: 0.0597
62/157, train_loss: 0.0376
63/157, train_loss: 0.0555
64/157, train_loss: 0.0571
65/157, train_loss: 0.0475
66/157, train_loss: 0.0577
67/157, train_loss: 0.0393
68/157, train_loss: 0.0397
69/157, train_loss: 0.0536
70/157, train_loss: 0.0516
71/157, train_loss: 0.0595
72/157, train_loss: 0.0473
73/157, train_loss: 0.0624
74/157, train_loss: 0.0426
75/157, train_loss: 0.0474
76/157, train_loss: 0.0474
77/157, train_loss: 0.0516
78/157, train_loss: 0.0332
79/157, train_loss: 0.0403
80/157, train_loss: 0.0401
81/157, train_loss: 0.0397
82/157, train_loss: 0.0526
83/157, train_loss: 0.0429
84/157, train_loss: 0.0306
85/157, train_loss: 0.0433
86/157, train_loss: 0.0376
87/157, train_loss: 0.0430
88/157, train_loss: 0.0433
89/157, train_loss: 0.0575
90/157, train_loss: 0.0349
91/157, train_loss: 0.0273
92/157, train_loss: 0.0395
93/157, train_loss: 0.0474
94/157, train_loss: 0.0464
95/157, train_loss: 0.0310
96/157, train_loss: 0.0597
97/157, train_loss: 0.0403
98/157, train_loss: 0.0684
99/157, train_loss: 0.0371
100/157, train_loss: 0.0570
101/157, train_loss: 0.0468
102/157, train_loss: 0.0317
103/157, train_loss: 0.0322
104/157, train_loss: 0.0472
105/157, train_loss: 0.0351
106/157, train_loss: 0.0430
107/157, train_loss: 0.0319
108/157, train_loss: 0.0459
109/157, train_loss: 0.0448
110/157, train_loss: 0.0486
111/157, train_loss: 0.0538
112/157, train_loss: 0.0290
113/157, train_loss: 0.0567
114/157, train_loss: 0.0455
115/157, train_loss: 0.0502
116/157, train_loss: 0.0338
117/157, train_loss: 0.0541
118/157, train_loss: 0.0496
119/157, train_loss: 0.0461
120/157, train_loss: 0.0353
121/157, train_loss: 0.0569
122/157, train_loss: 0.0282
123/157, train_loss: 0.0299
124/157, train_loss: 0.0366
125/157, train_loss: 0.0397
126/157, train_loss: 0.0339
127/157, train_loss: 0.0417
128/157, train_loss: 0.0515
129/157, train_loss: 0.0433
130/157, train_loss: 0.0435
131/157, train_loss: 0.0310
132/157, train_loss: 0.0497
133/157, train_loss: 0.0366
134/157, train_loss: 0.0436
135/157, train_loss: 0.0387
136/157, train_loss: 0.0291
137/157, train_loss: 0.0480
138/157, train_loss: 0.0377
139/157, train_loss: 0.0346
140/157, train_loss: 0.0265
141/157, train_loss: 0.0497
142/157, train_loss: 0.0352
143/157, train_loss: 0.0264
144/157, train_loss: 0.0349
145/157, train_loss: 0.0409
146/157, train_loss: 0.0488
147/157, train_loss: 0.0541
148/157, train_loss: 0.0506
149/157, train_loss: 0.0451
150/157, train_loss: 0.0280
151/157, train_loss: 0.0349
152/157, train_loss: 0.0344
153/157, train_loss: 0.0307
154/157, train_loss: 0.0550
155/157, train_loss: 0.0521
156/157, train_loss: 0.0478
157/157, train_loss: 0.0295
158/157, train_loss: 0.1089
epoch 4 average loss: 0.0462
saved new best metric model
current epoch: 4 current AUC: 1.0000 current accuracy: 0.9944 best AUC: 1.0000 at epoch: 4
train completed, best_metric: 1.0000 at epoch: 4

損失とメトリックをプロットする

plt.figure("train", (12, 6))
plt.subplot(1, 2, 1)
plt.title("Epoch Average Loss")
x = [i + 1 for i in range(len(epoch_loss_values))]
y = epoch_loss_values
plt.xlabel("epoch")
plt.plot(x, y)
plt.subplot(1, 2, 2)
plt.title("Val AUC")
x = [val_interval * (i + 1) for i in range(len(metric_values))]
y = metric_values
plt.xlabel("epoch")
plt.plot(x, y)
plt.show()

テストデータセット上でモデルを評価する

訓練と検証の後、検証テスト上のベストモデルを既に得ています。モデルをテストデータセット上でそれが堅牢で over fitting していないかを確認するために評価する必要があります。分類レポートを生成するためにこれらの予測を使用します。

model.load_state_dict(torch.load(
    os.path.join(root_dir, "best_metric_model.pth")))
model.eval()
y_true = []
y_pred = []
with torch.no_grad():
    for test_data in test_loader:
        test_images, test_labels = (
            test_data[0].to(device),
            test_data[1].to(device),
        )
        pred = model(test_images).argmax(dim=1)
        for i in range(len(pred)):
            y_true.append(test_labels[i].item())
            y_pred.append(pred[i].item())

print(classification_report(
    y_true, y_pred, target_names=class_names, digits=4))

Note: you may need to restart the kernel to use updated packages.
              precision    recall  f1-score   support

   AbdomenCT     0.9816    0.9917    0.9867       969
   BreastMRI     0.9968    0.9831    0.9899       944
         CXR     0.9979    0.9928    0.9954       973
     ChestCT     0.9938    0.9990    0.9964       959
        Hand     0.9934    0.9934    0.9934      1055
      HeadCT     0.9960    0.9990    0.9975       985

    accuracy                         0.9932      5885
   macro avg     0.9932    0.9932    0.9932      5885
weighted avg     0.9932    0.9932    0.9932      5885

データディレクトリのクリーンアップ

一時ディレクトリが使用された場合ディレクトリを削除します。

if directory is None:
    shutil.rmtree(root_dir)

以上

MONAI 0.7 : モジュール概要 (1) 医用画像データI/O, 前処理と増強

10/05/2021

MONAI 0.7 : モジュール概要 (1) 医用画像データI/O, 前処理と増強 (翻訳/解説)

翻訳 : (株)クラスキャットセールスインフォメーション
作成日時 : 10/05/2021 (0.7.0)

* 本ページは、MONAI の以下のドキュメントを翻訳した上で適宜、補足説明したものです：

Modules Overview

クラスキャット人工知能研究開発支援サービス ★ 無料 Web セミナー開催中 ★

◆ クラスキャットは人工知能・テレワークに関する各種サービスを提供しております。お気軽にご相談ください :

人工知能研究開発支援
1. 人工知能研修サービス(経営者層向けオンサイト研修)
2. テクニカルコンサルティングサービス
3. 実証実験(プロトタイプ構築)
4. アプリケーションへの実装
人工知能研修サービス
PoC(概念実証)を失敗させないための支援
テレワーク & オンライン授業を支援

◆ 人工知能とビジネスをテーマに WEB セミナーを定期的に開催しています。スケジュール。

お住まいの地域に関係なく Web ブラウザからご参加頂けます。事前登録 が必要ですのでご注意ください。
ウェビナー運用には弊社製品「ClassCat® Webinar」を利用しています。

◆ お問合せ : 本件に関するお問い合わせ先は下記までお願いいたします。

株式会社クラスキャット セールス・マーケティング本部セールス・インフォメーション

E-Mail：sales-info@classcat.com ; WebSite: https://www.classcat.com/ ; Facebook

MONAI 0.7 : モジュール概要 (1) 医用画像データI/O, 前処理と増強

MONAI は医用画像解析における深層学習を様々な粒度でサポートすることを目的としています。この図は end-to-end ワークフローの典型的な例を示します :

MONAI アーキテクチャ

MONAI の設計原理は様々な専門知識を持つユーザのために柔軟で軽量な API を提供することです。

総てのコアコンポーネントは独立したモジュールで、これらは任意の既存の PyTorch プログラムに容易に統合できます。
ユーザは、研究実験のための堅固な訓練や評価プログラムを素早くセットアップするために MONAI のワークフローを活用できます。
主要な機能を実演するために豊富なサンプルとデモが提供されます。
COVID-19 画像解析、モデル並列等を含む、最新の研究課題のための最先端技術に基づいて研究者が実装を提供しています。

全体的なアーキテクチャとモジュールは次の図で示されます :

医用画像データ I/O、(前) 処理と増強

医用画像は I/O、前処理と増強のための高度に特化された方法を必要とします。医用画像は豊富なメタ情報を持つ特別な形式にあることが多く、データボリュームは高次元であることが多いです。これれは注意深く設計された操作手続きを必要とします。MONAI の医用画像フォーカスは強力で柔軟な画像変換により可能になります、これは使い勝手の良い、再現性のある、最適化された医療データ前処理パイプラインを容易にします。

1. 辞書と配列形式データの両方をサポートする変換

(torchvision のような) 広く使用されているコンピュータビジョン・パッケージは空間的に 2D な配列画像処理にフォーカスしています。MONAI は空間的に 2D と 2D の両方のためによりドメイン固有な変換を提供し、そして柔軟な変換 “compose” 機能を保持しています。
医用画像前処理は追加の極め細かいシステムパラメータを必要とすることが多いので、MONAI は python 辞書にカプセル化された入力データのための変換を提供します。ユーザは複雑な変換を構成するために想定されるデータフィールドに対応するキーとシステムパラメータを指定できます。

6 つのカテゴリー内の変換の豊富なセットがあります : Crop & Pad, 強度, IO, 後処理, Spatial とユティリティです。詳細は、MONAI の変換の総てにアクセスしてください。

殆ど総ての変換は入力データがチャネル first の shape 形式を持つことを想定しています : [Channel dim, spatial dim 1, spatial dim 2, …] です。柔軟なベース API がまた提供されます。monai.transforms モジュールは簡単に拡張可能です。

2. 医療に特化した変換

MONAI は包括的な医療に特化した変換を提供することを目的としています。これらが現在、例えば以下を含みます :

LoadImage: 指定されたパスから医療固有の形式のファイルをロードする
Spacing: 入力画像を指定された pixdim に再サンプリングする
Orientation: 画像の方向を指定された axcodes に変更する
RandGaussianNoise: 統計的なノイズを追加して画像強度を摂動を与える
NormalizeIntensity: 平均と標準偏差に基づく強度正規化
Affine: アフィン・パラメータに基づいて画像を変換する
Rand2DElastic: ランダムな elastic 変形と 2D のアフィン
Rand3DElastic: ランダムな elastic 変形と 3D のアフィン

2D 変換チュートリアルは幾つかの MONAI 医用画像特有の変換の詳細な使用方法を示します。

3. 変換は NumPy 配列と PyTorch テンソルの両方をサポートします (CPU or GPU accelerated)

MONAI v0.7 から変換で PyTorch テンソルベースの計算を導入しましたが、多くの変換は入力タイプと計算バックエンドとして NumPy 配列とテンソルを既にサポートしています。総ての変換のサポートされているバックエンドを取得するには、次を実行してください : python monai/transforms/utils.py.

変換を高速化するためには、一般的なアプローチは GPU 並列計算を利用することです。ユーザは最初に ToTensor または EnsureType 変換により入力データを GPU テンソルに変換し、それから続く変換を PyTorch テンソル API に基づいて GPU 上で実行できます。GPU 変換チュートリアルは Spleen 高速訓練チュートリアルで利用可能です。

4. 融合した空間変換

医用画像ボリュームは (多次元配列にあるので) 通常は大規模ですので、前処理パフォーマンスは全体的なパイプライン速度に影響します。MONAI は融合した空間操作を実行するアフィン変換を提供します。

例えば :

# create an Affine transform
affine = Affine(
    rotate_params=np.pi/4,
    scale_params=(1.2, 1.2),
    translate_params=(200, 40),
    padding_mode='zeros',
)
# convert the image using bilinear interpolation
new_img = affine(image, spatial_size=(300, 400), mode='bilinear')

実験とテスト結果は融合した変換テストで利用可能です。

現在、総ての幾何学的画像変換 (Spacing, ズーム, 回転, リサイズ等) は PyTorch ネイティブ・インターフェイスに基づいて設計されています。そのためそれらの総ては高性能のための GPU テンソル演算を通して GPU 高速化をサポートしています。

幾何学的変換チュートリアルは 3D 医用画像でアフィン変換の使用方法を示します。

5. ポジティブ/ネガティブ比率に基づいてランダムにクロップ

医用画像データボリュームは GPU メモリに収まらないほど大きい場合があります。広く使用されているアプローチは、訓練の間は小さいデータサンプルをランダムにドローして推論のために「スライディング・ウィンドウ」ルーチンを実行することです。MONAI は現在、パッチベースの訓練プロセスを安定化させるのに役立つ可能性のある、クラス・バランスの取れた固定比率サンプリングを含む一般的なランダム・サンプリング・ストラテジーを提供しています。典型的な例は脾臓 3D セグメンテーション・チュートリアルで、これは RandCropByPosNegLabel 変換とともにクラス・バランスのとれたサンプリングを実現しています。

6. 再現性のための決定論的訓練

決定論的訓練のサポートは深層学習研究、特に医療分野では必要で重要です。ユーザは MONAI の総てのランダム変換にランダムシードをローカルで簡単に設定できてユーザのプログラムの他の非決定論的モジュールに影響を与えません。

例えば :

# define a transform chain for pre-processing
train_transforms = monai.transforms.Compose([
    LoadImaged(keys=['image', 'label']),
    RandRotate90d(keys=['image', 'label'], prob=0.2, spatial_axes=[0, 2]),
    ... ...
])
# set determinism for reproducibility
train_transforms.set_random_state(seed=0)

ユーザはまた訓練プログラムの最初に決定論的 (動作) を有効/無効にできます :

monai.utils.set_determinism(seed=0, additional_settings=None)

7. マルチ変換チェイン

同じデータに様々な変換を適用して結果を連結するために、MONAI は、データ辞書の指定された項目のコピーを作成する CopyItems 変換と想定される次元の指定項目を組み合わせるために ConcatItems 変換を提供し、そしてまたメモリを節約するために不要な項目を削除するための DeleteItems 変換も提供します。

典型的な使用方法は同じ画像の強度を異なる範囲にスケールして結果を一緒に連結します。

8. DataStats で変換をデバッグする

変換が “compose” 関数と組み合わされるとき、特定の変換の出力を追跡することは容易ではありません。合成された変換のエラーをデバッグするのを手助けするために、MONAI は、データ shape, 値範囲, データ値, 追加情報等の中間的なデータ特性を表示するために DataStats のようなユティリティ変換を提供しています。それは自己充足的な変換で任意の変換チェインに統合できます。

9. モデル出力のための後処理変換

MONAI はまたモデル出力を処理するための後処理変換も提供しています。現在、変換は以下を含みます :

活性化層の追加 (Sigmoid, Softmax, etc.)。
下図 (b) のように、離散値 (Argmax, One-Hot, Threshold 値等) に変換します。
マルチチャネル・データを複数のシングル・チャネルに分割する。
下図 (c) のように、接続コンポーネント分析に基づいてセグメンテーション・ノイズを除去する。
下図 (d) と (e) のように、セグメンテーション結果の輪郭を抽出します、これは元の画像へのマップに使用できてモデルを評価できます。

モデル出力のバッチデータを切り離し (= decollate) 後処理変換を適用した後では、メトリックを計算し、モデル出力をファイルにセーブし、あるいは TensorBoard でデータを可視化することは容易になります。後処理変換チュートリアルは後処理のための幾つかの主要な変換を使用するサンプルを示しています。

10. サードパーティの変換の統合

MONAI 変換の設計はコードの可読性と使い易さを重視しています。それは配列データや辞書ベースのデータのために動作します。MONAI はまた 3rd パーティの変換の異なるデータ形式に対応するためにアダプタ・ツールも提供しています。データ shape やタイプを変換するために ToTensor, ToNumpy, SqueezeDim のようなユティリティ変換も提供されます。従って、ITK, BatchGenerator, TorchIO と Rising を含む外部パッケージから変換をシームレスに統合することにより変換チェインを強化することは簡単です。

詳細は、チュートリアル: integrate 3rd party transforms into MONAI program を確認してください。

デジタル病理 (= pathology) 訓練では、画像のロードの膨大な負荷のために、CPU は画像のロードに先取りされてデータの前処理が追いつきません。これはパイプラインが IO に束縛されることを引き起こし GPU の使用率低下という結果になります。このボトルネックを解消するため、cuCIM は (私達がデジタル病理パイプラインで使用している) 幾つかの一般的な変換の最適化バージョンを実装しました。これらの変換は GPU 上でネイティブに実行されて CuPy 配列上動作します。MONAI は cuCIM ライブラリを統合するために CuCIM と RandCuCIM アダプタを提供しています。例えば :

RandCuCIM(name="color_jitter", brightness=64.0 / 255.0, contrast=0.75, saturation=0.25, hue=0.04)
CuCIM(name="scale_intensity_range", a_min=0.0, a_max=255.0, b_min=-1.0, b_max=1.0)

それは転移検出モデルの病理学の訓練で大幅なスピードアップを示しました。

11. 医用画像形式のための IO ファクトリー

多くのポピュラーな画像形式が医療ドメインに存在し、それらは豊富なメタデータ情報を持ち非常に異なります。同じパイプラインで異なる医用画像形式を簡単に処理するため、MONAI は LoadImage 変換を提供します、これはサポートされるサフィックスに基づいて以下の優先順位で画像リーダーを自動的に選択できます :

このローダを呼び出すとき実行時にユーザに指定されたリーダー。
登録されたリーダー、リストの最新のものから最初のものへ。
デフォルトのリーダ : (nii, nii.gz -> NibabelReader), (png, jpg, bmp -> PILReader), (npz, npy -> NumpyReader), (others -> ITKReader)。

ImageReader API は非常に簡単で、ユーザはカスタマイズされた画像リーダーのためにそれを簡単に拡張できます。

これらの事前定義された画像リーダーにより、MONAI は次の形式で画像をロードできます : NIfTI, DICOM, PNG, JPG, BMP, NPY/NPZ, 等々。

12. 変換データを NIfTI または PNG ファイルにセーブする

画像をファイルに変換したり、変換チェインをデバッグするため、MONAI は SaveImage 変換を提供しています。結果をセーブするためユーザはこの変換を変換チェインに注入できます。

13. チャネル first データ shape を自動的に確実にする

医用画像は様々な shape 形式を持ちます。それらはチャネル last、チャネル first あるいはノーチャネルでさえある可能性があります。例えば、幾つかのノーチャネル画像をロードしてそれらをチャネル first データとしてスタックすることを望むかもしれません。ユーザ体験を改善するため、MONAI はメタ情報に従ってデータ shape を自動的に検出してそれを一貫してチャネル first 形式に変換する EnsureChannelFirst 変換を提供しました。

14. 空間的変換とテスト時増強を反転する

深層学習ワークフローでは前に適用した空間的変換 (リサイズ, 反転, 回転, ズーム, クロップ, pad 等) を反転する (= inverse) ことが望ましい場合があります、例えば、正規化されたデータ空間で画像データを処理した後で元の画像空間に戻すためです。多くの空間的変換が 0.5 から反転演算で強化されています。モデル推論チュートリアルが基本的なサンプルを示しています。

パイプラインがランダムな変換を含む場合、ユーザは出力上でこれらの変換が持つ効果を観察することを望むかもしれません。典型的なアプローチは、異なるランダムな具現化で複数回変換を通して同じ入力を渡すことです。そして総ての結果を共通の空間に移すために反転変換を使用して、メトリクスを計算します。MONAI はこの機能のために TestTimeAugmentation を提供しました、これはデフォルトで最頻値, 平均値, 標準偏差と volume 変動係数を計算します。

Invert transforms and TTA チュートリアルは使用サンプルとともに API について詳細を紹介しています。

(1) 最後のカラムはモデル出力の反転されたデータです :

(2) 最頻値, 平均と標準偏差の TTA 結果 :

以上

MONAI 0.7 : PyTorch ユーザのための MONAI

10/05/2021

MONAI 0.7 : PyTorch ユーザのための MONAI (翻訳/解説)

翻訳 : (株)クラスキャットセールスインフォメーション
作成日時 : 10/05/2021 (0.7.0)

* 本ページは、MONAI の以下のドキュメントを翻訳した上で適宜、補足説明したものです：

MONAI for PyTorch users

クラスキャット人工知能研究開発支援サービス ★ 無料 Web セミナー開催中 ★

◆ クラスキャットは人工知能・テレワークに関する各種サービスを提供しております。お気軽にご相談ください :

人工知能研究開発支援
1. 人工知能研修サービス(経営者層向けオンサイト研修)
2. テクニカルコンサルティングサービス
3. 実証実験(プロトタイプ構築)
4. アプリケーションへの実装
人工知能研修サービス
PoC(概念実証)を失敗させないための支援
テレワーク & オンライン授業を支援

◆ 人工知能とビジネスをテーマに WEB セミナーを定期的に開催しています。スケジュール。

お住まいの地域に関係なく Web ブラウザからご参加頂けます。事前登録 が必要ですのでご注意ください。
ウェビナー運用には弊社製品「ClassCat® Webinar」を利用しています。

◆ お問合せ : 本件に関するお問い合わせ先は下記までお願いいたします。

株式会社クラスキャット セールス・マーケティング本部セールス・インフォメーション

E-Mail：sales-info@classcat.com ; WebSite: https://www.classcat.com/ ; Facebook

MONAI 0.7 : PyTorch ユーザのための MONAI

このチュートリアルは MONAI API を簡単に紹介してその柔軟性と使い易さにハイライトを当てます。それは PyTorch の基本的な理解を前提とし、MONAI がヘルスケア画像の深層学習のためにドメインに最適化された機能を提供する方法を示します。

パッケージのインストール

MONAI のコア機能は Python (3.6+) で書かれていて Numpy (1.17+) and Pytorch (1.4+) にのみ依存しています。

このセクションは MONAI の最新版をインストールしてインストールを検証します。

# install the latest weekly preview version of MONAI
%pip install -q "monai-weekly[tqdm, nibabel, gdown, ignite]"

     |████████████████████████████████| 652 kB 11.0 MB/s 
     |████████████████████████████████| 221 kB 52.5 MB/s

import warnings
warnings.filterwarnings("ignore")  # remove some scikit-image warnings

import monai
monai.config.print_config()


MONAI version: 0.7.dev2138
Numpy version: 1.19.5
Pytorch version: 1.9.0+cu102
MONAI flags: HAS_EXT = False, USE_COMPILED = False
MONAI rev id: bfc42f02d3bbbc1bfa36abbc71df8a6ca863bd76

Optional dependencies:
Pytorch Ignite version: 0.4.5
Nibabel version: 3.0.2
scikit-image version: 0.16.2
Pillow version: 7.1.2
Tensorboard version: 2.6.0
gdown version: 3.6.4
TorchVision version: 0.10.0+cu102
tqdm version: 4.62.2
lmdb version: 0.99
psutil version: 5.4.8
pandas version: 1.1.5
einops version: NOT INSTALLED or UNKNOWN VERSION.
transformers version: NOT INSTALLED or UNKNOWN VERSION.

For details about installing the optional dependencies, please visit:
    https://docs.monai.io/en/latest/installation.html#installing-the-recommended-dependencies

数行のコードでパブリックな医療画像データセットへアクセス

公開されているベンチマークの使用はオープンで再現性のある研究のために重要です。MONAI は良く知られた公開データセットへの素早いアクセスを提供することを目的としています。このセクションは医療セグメンテーション・デカスロン (= Medical Segmentation Decathlon ) のデータセットから始めます。

DecathlonDataset オブジェクトは torch.data.utils.Dataset の薄いラッパーです。それは __getitem__ と __len__ を実装していて、PyTorch の組込みデータローダ torch.data.utils.DataLoader と完全に互換です。

PyTorch データセット API と比較して、DecathlonDataset は以下の追加機能を持ちます :

自動的なデータのダウンロードと解凍
データと前処理の中間結果のキャッシング
訓練、検証とテストのランダムな分割

from monai.apps import DecathlonDataset

dataset = DecathlonDataset(root_dir="./", task="Task05_Prostate", section="training", transform=None, download=True)
print(f"\nnumber of subjects: {len(dataset)}.\nThe first element in the dataset is {dataset[0]}.")

Task05_Prostate.tar: 229MB [00:15, 15.8MB/s]                           
Downloaded: ./Task05_Prostate.tar
Verified 'Task05_Prostate.tar', md5: 35138f08b1efaef89d7424d2bcc928db.
Writing into directory: ./.
Loading dataset: 100%|██████████| 26/26 [00:00<00:00, 107018.55it/s]
number of subjects: 26.
The first element in the dataset is {'image': 'Task05_Prostate/imagesTr/prostate_46.nii.gz', 'label': 'Task05_Prostate/labelsTr/prostate_46.nii.gz'}.

コードセクションは公開レポジトリから "Task05_Prostate.tar" (download=True) をダウンロードして、それを解凍し、そしてアーカイブにより提供される JSON ファイルを解析することにより DecathlonDataset を作成しました。

これは前立腺 (= prostate) 移行 (= transitional) ゾーンと周辺 (= peripheral) ゾーンの輪郭を描く (= delineate) ための 3 クラス・セグメンテーション・タスクです (背景, TZ, PZ クラス)。入力は 2 つの様式、つまり T2 と ADC MRI を持ちます。

len(dataset) と dataset[0] は、それぞれデータセットのサイズを問い合わせ、データセットの最初の要素を取り出します。データセットのためのどのような画像変換も指定していませんので、この iterable なデータセットの出力は画像とセグメンテーション・ファイル名の単なるペアです。

柔軟な画像データ変換

このセクションはファイル名をメモリ内のデータ配列に変換する MONAI 変換を導入します、これは深層学習モデルにより消費される準備ができます。前処理パイプラインのより多くのサンプルは tutorial レポジトリと開発者ガイドで利用可能です。ここでは画像前処理の主要な機能を簡単にカバーします。

配列 vs 辞書ベースの変換

配列変換は MONAI の基本的なビルディングブロックで、それは torchvision.transforms と同様な単純な callable です。2 つの違いがあります :

MONAI 変換は医療画像特有の処理機能を実装しています。
MONAI 変換は入力が numpy 配列、pytorch テンソルかテンソル like なオブジェクトであることを前提としています。

以下はローダー変換を開始します、これはファイル名文字列を実際の画像データに変換します。この変換へのその他のオプションのドキュメントを参照してください。

from monai.transforms import LoadImage

loader = LoadImage(image_only=True)
img_array = loader("Task05_Prostate/imagesTr/prostate_02.nii.gz")
print(img_array.shape)

(320, 320, 24, 2)

辞書変換は配列バージョンのラッパーに過ぎません。配列ベースのものと比べて、同じ種類の演算やステートメントを複数のデータ入力に適用することが簡単です。

以下のセクションは画像とセグメンテーション・マスクのペアを読みます、変換が辞書のどの項目が処理されるべきかを知れるようにキーが指定される必要があることに注意してください。

from monai.transforms import LoadImageD

dict_loader = LoadImageD(keys=("image", "label"))
data_dict = dict_loader({"image": "Task05_Prostate/imagesTr/prostate_02.nii.gz", 
                         "label": "Task05_Prostate/labelsTr/prostate_02.nii.gz"})
print(f"image shape: {data_dict['image'].shape}, \nlabel shape: {data_dict['label'].shape}")

image shape: (320, 320, 24, 2), 
label shape: (320, 320, 24)

変換の構成

多くの場合、変換のチェインを構築して、前処理パラメータを調整して、高速な前処理パイプラインを作成することは有益です。monai.transforms.Compose はこれらのユースケースのために設計されています。

以下のコードは複数の前処理ステップを行なうために変換チェインを開始しています :

Nifti 画像を (画像メタデータ情報と共に) ロードします
画像とラベルの両方をチャネル first にする (画像を reshape してラベルのためにチャネル次元を追加します)
画像とラベルを 1 mm 四方にする
画像とラベルの両方を "RAS" 座標系にあるようにする
画像強度をスケールする
画像とラベルを空間サイズ (64, 64, 32) mm にリサイズする
画像をランダムに回転とスケールしますが、出力サイズは (64, 64, 32) mm に保持します。
画像とラベルを torch テンソルに変換する

import numpy as np
from monai.transforms import \
    LoadImageD, EnsureChannelFirstD, AddChannelD, ScaleIntensityD, ToTensorD, Compose, \
    AsDiscreteD, SpacingD, OrientationD, ResizeD, RandAffineD
KEYS = ("image", "label")

xform = Compose([
    LoadImageD(KEYS),
    EnsureChannelFirstD("image"),
    AddChannelD("label"),
    SpacingD(KEYS, pixdim=(1., 1., 1.), mode=('bilinear', 'nearest')),
    OrientationD(KEYS, axcodes='RAS'),
    ScaleIntensityD(keys="image"),
    ResizeD(KEYS, (64, 64, 32), mode=('trilinear', 'nearest')),
    RandAffineD(KEYS, spatial_size=(-1, -1, -1),
                rotate_range=(0, 0, np.pi/2),
                scale_range=(0.1, 0.1),
                mode=('bilinear', 'nearest'),
                prob=1.0),
    ToTensorD(KEYS),
])

data_dict = xform({"image": "Task05_Prostate/imagesTr/prostate_02.nii.gz", 
                   "label": "Task05_Prostate/labelsTr/prostate_02.nii.gz"})
print(data_dict["image"].shape, data_dict["label"].shape)

torch.Size([2, 64, 64, 32]) torch.Size([1, 64, 64, 32])

MONAI には有用な変換のセットがあり、今後更に増えます。詳細は https://docs.monai.io/en/latest/transforms.html を見てください。

データセット、変換とデータローダ

私達が持っているものをまとめると :

Dataset : torch.utils.data.Dataset の薄いラッパー
Transform : callable、Compose により作成される変換チェインの一部です。
データセットへの変換のセットはデータロードと前処理パイプラインを可能にします。

パイプラインは pytorch ネイティブのデータローダと連携できて、これはマルチプロセスのサポートと柔軟なバッチサンプリング・スキームを提供します。

けれども、MONAI データローダ monai.data.DataLoader と連携することが推奨されます、これは pytorch ネイティブのラッパーです。MONAI データローダは以下の機能を主として追加します :

マルチプロセスのコンテキストでランダム化された増強を正しく処理します。
マルチサンプルデータのリストを個々の訓練サンプルに平坦化するためのカスタマイズされた collate 関数

import torch
from monai.data import DataLoader

# start a chain of transforms
xform = Compose([
    LoadImageD(KEYS),
    EnsureChannelFirstD("image"),
    AddChannelD("label"),
    SpacingD(KEYS, pixdim=(1., 1., 1.), mode=('bilinear', 'nearest')),
    OrientationD(KEYS, axcodes='RAS'),
    ScaleIntensityD(keys="image"),
    ResizeD(KEYS, (64, 64, 32), mode=('trilinear', 'nearest')),
    RandAffineD(KEYS, spatial_size=(-1, -1, -1),
                rotate_range=(0, 0, np.pi/2),
                scale_range=(0.1, 0.1),
                mode=('bilinear', 'nearest'),
                prob=1.0),
    ToTensorD(KEYS),
])
# start a dataset
dataset = DecathlonDataset(root_dir="./", task="Task05_Prostate", section="training", transform=xform, download=True)

# start a pytorch dataloader
# data_loader = torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, num_workers=1)
data_loader = DataLoader(dataset, batch_size=1, shuffle=True, num_workers=1)

Verified 'Task05_Prostate.tar', md5: 35138f08b1efaef89d7424d2bcc928db.
File exists: ./Task05_Prostate.tar, skipped downloading.
Non-empty folder exists in ./Task05_Prostate, skipped extracting.
Loading dataset: 100%|██████████| 26/26 [00:17<00:00,  1.51it/s]

data_dict で何が起きているか覗いてみましょう (以下のセクションの再実行はデータセットからのランダムに増強されたサンプルを生成します) :

import matplotlib.pyplot as plt
import numpy as np

data_dict = next(iter(data_loader))
print(data_dict["image"].shape, data_dict["label"].shape, data_dict["image_meta_dict"]["filename_or_obj"])

plt.subplots(1, 3)
plt.subplot(1, 3, 1); plt.imshow(data_dict["image"][0, 0, ..., 16])
plt.subplot(1, 3, 2); plt.imshow(data_dict["image"][0, 1, ..., 16])
plt.subplot(1, 3, 3); plt.imshow(data_dict["label"][0, 0, ..., 16])
plt.show()

print(f"unique labels: {np.unique(data_dict['label'])}")

torch.Size([1, 2, 64, 64, 32]) torch.Size([1, 1, 64, 64, 32]) ['Task05_Prostate/imagesTr/prostate_42.nii.gz']

データローダは、深層学習モデルに対応できるように、画像とラベルの両方にバッチ次元を追加しました。

ラベルのために "nearest" 補完モードが使用されますので、変換中に一意のクラスの数が保持されます。

層、ブロック、ネットワークと損失関数

データ入力パイプラインを通り抜けました。適切に前処理されたデータは、2 つの様式の入力を使用して 3 クラス・セグメンテーション・タスクのための準備ができました。

このセクションは UNet モデル、そして損失関数と optimzer を作成します。これら総てのモジュールは (torch.nn.Module のような) PyTorch インターフェイスの直接的な使用か拡張です。それらは、コードが標準 PyTorch API に従うのであれば、任意のカスタマイズされた Python コードで置き換え可能です。

MONAI のモジュールは医療画像解析のために拡張モジュールを提供することに焦点を当てています :

柔軟性とコード可読性の両者を目的とした参照ネットワークの実装
1D, 2D と 3D ネットワークと互換な事前定義された層とブロック
ドメイン固有の損失関数

from monai.networks.nets import UNet
from monai.networks.layers import Norm
from monai.losses import DiceLoss

device = torch.device('cuda:0')
net = UNet(dimensions=3, in_channels=2, out_channels=3, channels=(16, 32, 64, 128, 256),
           strides=(2, 2, 2, 2), num_res_units=2, norm=Norm.BATCH).to(device)
loss = DiceLoss(to_onehot_y=True, softmax=True)
opt = torch.optim.Adam(net.parameters(), 1e-2)

`UNet` は `dimensions` パラメータで定義されます。それは Conv1d, Conv2d と Conv3d のような、pytorch API の空間次元の数を指定します。同じ実装で、1D, 2D, 3D とマルチモーダル訓練のために容易に構成できます。

`torch.nn.Module` の拡張としての `UNet` は特定の方法で体系化された MONAI ブロックと層のセットです。ブロックと層は、"Conv. + Feature Norm. + Activation" のような一般に使用される組合せのように、再利用可能なサブモジュールとして設計されています。

スライディング・ウィンドウ推論

この一般に使用されるモジュールについて、MONAI は単純な PyTorch ベースの実装を提供します、これはウィンドウサイズと入力モデル (これは torch.nn.Module 実装であり得ます) の仕様だけを必要とします。

以下のデモは、総ての空間位置を通して実行される (40, 40) 空間サイズ・ウィンドウを集約することにより、(1, 1, 200, 200) の入力画像上のスライディング・ウィンドウ推論の toy を示します。

roi_size, sw_batch_size と overlap パラメータをそれらのスライディング・ウィンドウ出力上のインパクトを見るために変更することができます。

from monai.inferers import SlidingWindowInferer

class ToyModel:
    # A simple model generates the output by adding an integer `pred` to input.
    # each call of this instance increases the integer by 1.
    pred = 0
    def __call__(self, input):
        self.pred = self.pred + 1
        input = input + self.pred
        return input

infer = SlidingWindowInferer(roi_size=(40, 40), sw_batch_size=1, overlap=0)
input_tensor = torch.zeros(1, 1, 200, 200)
output_tensor = infer(input_tensor, ToyModel())

plt.imshow(output_tensor[0, 0]); plt.show()

訓練ワークフローの開始 (エポック毎に検証)

入力パイプライン、ネットワーク・アーキテクチャ、損失関数は総て既存の pytorch ベースのワークフローと互換です。様々なユースケースについてはチュートリアルを参照してください : https://github.com/Project-MONAI/tutorials

ここで PyTorch-Ignite ベースで MONAI により構築された、ワークフロー・ユティリティにハイライトを当てたいです。主要な目標は、比較的標準的な訓練ワークフローを構築する際にユーザの労力を軽減することです。

import ignite
print(ignite.__version__)

0.4.5

以下のコマンドは SupervisedTrainer インスタンスを起動します。PyTorch ignite の機能の拡張として、それは前に言及した総ての要素を結合します。trainer.run() の呼び出しは 2 エポックの間ネットワークを訓練して、総てのエポックの最後に訓練データに基づいて MeadDice メトリックを計算します。

key_train_metric はモデルの品質向上の進捗を追跡するために使用されます。

早期停止と学習率スケジューリングを行なうために追加のハンドラが設定可能です。StatsHandler は診断情報を stdout にプリントするために各訓練反復でトリガーされます。これらはユーザ指定の頻度で詳細な訓練ログを生成するように構成できます。イベント処理システムの詳細は、ドキュメント https://docs.monai.io/en/latest/handlers.html を参照してください。

注目すべき点は、これらの機能は通常の訓練と検証パイプラインの高速なプロトタイピングを容易にすることです。ユーザは前のセクションで述べたモジュールを利用して、独自のパイプラインを構築することを常に選択できます。

from monai.engines import SupervisedTrainer
from monai.inferers import SlidingWindowInferer
from monai.handlers import StatsHandler, MeanDice, from_engine
from monai.transforms import AsDiscreteD

import sys
import logging
logging.basicConfig(stream=sys.stdout, level=logging.INFO)

trainer = SupervisedTrainer(
    device=device,
    max_epochs=2,
    train_data_loader=data_loader,
    network=net,
    optimizer=opt,
    loss_function=loss,
    inferer=SlidingWindowInferer((32, 32, -1), sw_batch_size=2),
    postprocessing=AsDiscreteD(keys=["pred", "label"], argmax=(True, False), to_onehot=True, n_classes=3),
    key_train_metric={"train_meandice": MeanDice(output_transform=from_engine(["pred", "label"]))},
    train_handlers=StatsHandler(tag_name="train_loss", output_transform=from_engine(["loss"], first=True)),
)
trainer.run()

INFO:ignite.engine.engine.SupervisedTrainer:Engine run resuming from iteration 0, epoch 0 until 2 epochs
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 1/26 -- train_loss: 0.8139 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 2/26 -- train_loss: 0.7707 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 3/26 -- train_loss: 0.6901 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 4/26 -- train_loss: 0.6979 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 5/26 -- train_loss: 0.7192 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 6/26 -- train_loss: 0.6859 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 7/26 -- train_loss: 0.6445 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 8/26 -- train_loss: 0.6273 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 9/26 -- train_loss: 0.6346 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 10/26 -- train_loss: 0.6078 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 11/26 -- train_loss: 0.5424 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 12/26 -- train_loss: 0.5851 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 13/26 -- train_loss: 0.5647 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 14/26 -- train_loss: 0.5551 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 15/26 -- train_loss: 0.5925 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 16/26 -- train_loss: 0.5389 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 17/26 -- train_loss: 0.5662 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 18/26 -- train_loss: 0.6309 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 19/26 -- train_loss: 0.6168 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 20/26 -- train_loss: 0.5556 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 21/26 -- train_loss: 0.5243 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 22/26 -- train_loss: 0.5801 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 23/26 -- train_loss: 0.5132 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 24/26 -- train_loss: 0.4951 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 25/26 -- train_loss: 0.4870 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 1/2, Iter: 26/26 -- train_loss: 0.5108 
INFO:ignite.engine.engine.SupervisedTrainer:Got new best metric of train_meandice: 0.4181462824344635
INFO:ignite.engine.engine.SupervisedTrainer:Epoch[1] Metrics -- train_meandice: 0.4181 
INFO:ignite.engine.engine.SupervisedTrainer:Key metric: train_meandice best value: 0.4181462824344635 at epoch: 1
INFO:ignite.engine.engine.SupervisedTrainer:Epoch[1] Complete. Time taken: 00:00:08
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 1/26 -- train_loss: 0.5620 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 2/26 -- train_loss: 0.5373 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 3/26 -- train_loss: 0.4764 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 4/26 -- train_loss: 0.5111 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 5/26 -- train_loss: 0.5922 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 6/26 -- train_loss: 0.5519 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 7/26 -- train_loss: 0.6246 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 8/26 -- train_loss: 0.4363 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 9/26 -- train_loss: 0.5052 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 10/26 -- train_loss: 0.5900 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 11/26 -- train_loss: 0.5997 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 12/26 -- train_loss: 0.4996 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 13/26 -- train_loss: 0.4969 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 14/26 -- train_loss: 0.5740 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 15/26 -- train_loss: 0.5852 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 16/26 -- train_loss: 0.5460 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 17/26 -- train_loss: 0.5034 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 18/26 -- train_loss: 0.5233 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 19/26 -- train_loss: 0.5109 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 20/26 -- train_loss: 0.4877 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 21/26 -- train_loss: 0.5745 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 22/26 -- train_loss: 0.5044 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 23/26 -- train_loss: 0.4623 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 24/26 -- train_loss: 0.4399 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 25/26 -- train_loss: 0.4553 
INFO:ignite.engine.engine.SupervisedTrainer:Epoch: 2/2, Iter: 26/26 -- train_loss: 0.5245 
INFO:ignite.engine.engine.SupervisedTrainer:Got new best metric of train_meandice: 0.4688393473625183
INFO:ignite.engine.engine.SupervisedTrainer:Epoch[2] Metrics -- train_meandice: 0.4688 
INFO:ignite.engine.engine.SupervisedTrainer:Key metric: train_meandice best value: 0.4688393473625183 at epoch: 2
INFO:ignite.engine.engine.SupervisedTrainer:Epoch[2] Complete. Time taken: 00:00:08
INFO:ignite.engine.engine.SupervisedTrainer:Engine run complete. Time taken: 00:00:16

決定論的訓練

決定論的訓練サポートは再現可能な研究のために重要です。MONAI は現在 2 つのメカニズムを提供しています :

総てのランダム変換のランダム状態を設定します。これはグローバルなランダム状態には影響しません。例えば :

# define a transform chain for pre-processing
train_transforms = monai.transforms.Compose([
 LoadNiftid(keys=['image', 'label']),
 RandRotate90d(keys=['image', 'label'], prob=0.2, spatial_axes=[0, 2]),
 ... ...
])
# set determinism for reproducibility
train_transforms.set_random_state(seed=0)

1行のコードでグローバルに python, numpy と pytorch のための決定論的訓練を有効にします、例えば :
```
monai.utils.set_determinism(seed=0, additional_settings=None)
```

まとめ

MONAI の主要なモジュールを通り抜けてきました。高度に柔軟な拡張とラッパーを作成することにより、MONAI は医療画像解析の観点から pytorch API を強化しています。

以下のような、この短いチュートリアルではカバーされなかったソフトウェア機能があります :

後処理変換
視覚化インターフェイス
サードパーティの医療画像ツールキットからの組み込めるデータ変換
他の人気のある深層学習フレームワークを使用するワークフローの構築
MONAI 研究

最新のマイルストーンのハイライトの詳細については、https://docs.monai.io/en/latest/highlights.html にアクセスしてください。

MONAI を深く理解するには、examples レポジトリは良い開始点です : https://github.com/Project-MONAI/tutorials

API ドキュメントについては、https://docs.monai.io にアクセスしてください。

以上

MONAI 0.7 : 概要 (README)

10/03/2021

MONAI 0.7 : README (概要) (翻訳/解説)

翻訳 : (株)クラスキャットセールスインフォメーション
作成日時 : 10/03/2021 (0.7.0)

* 本ページは、MONAI の以下のドキュメントを翻訳した上で適宜、補足説明したものです：

README.md

クラスキャット人工知能研究開発支援サービス ★ 無料 Web セミナー開催中 ★

◆ クラスキャットは人工知能・テレワークに関する各種サービスを提供しております。お気軽にご相談ください :

人工知能研究開発支援
1. 人工知能研修サービス(経営者層向けオンサイト研修)
2. テクニカルコンサルティングサービス
3. 実証実験(プロトタイプ構築)
4. アプリケーションへの実装
人工知能研修サービス
PoC(概念実証)を失敗させないための支援
テレワーク & オンライン授業を支援

◆ 人工知能とビジネスをテーマに WEB セミナーを定期的に開催しています。スケジュール。

お住まいの地域に関係なく Web ブラウザからご参加頂けます。事前登録 が必要ですのでご注意ください。
ウェビナー運用には弊社製品「ClassCat® Webinar」を利用しています。

◆ お問合せ : 本件に関するお問い合わせ先は下記までお願いいたします。

株式会社クラスキャット セールス・マーケティング本部セールス・インフォメーション

E-Mail：sales-info@classcat.com ; WebSite: https://www.classcat.com/ ; Facebook

MONAI 0.7 : 概要 (README)

Medical Open Network for AI

MONAI は PyTorch エコシステムの一部で、ヘルスケア画像化における深層学習のための PyTorch ベース、オープンソースのフーレムワークです。その目標は :

共通基盤で協力して取り組める学術的、産業的そして臨床的な研究者のコミュニティを構築すること ;
ヘルスケア画像化のための最先端な、end-to-end な訓練ワークフローを作成すること ;
深層学習モデルを作成して評価するために研究者に最適化され標準化された方法を提供すること。

機能

コードベースは現在活発な開発下にあります。現在のマイルストーン・リリースのテクニカル・ハイライトと What’s New を参照してください。

多次元医療画像データのための柔軟な前処理 ;
既存のワークフローとの簡単な統合のための構成的 & 可搬な API ;
ネットワーク、損失、評価メトリクス等のためのドメイン固有実装 ;
様々なユーザ専門性のためのカスタマイズ可能なデザイン ;
マルチ GPU データ並列サポート。

インストール

現在のリリースをインストールするには、単純に以下を実行します :

pip install monai

他のインストール方法 (デフォルト GitHub ブランチの使用、Docker の使用等) については、インストールガイドを参照してください。

Getting Started

MedNIST デモと MONAI for PyTorch Users が Colab で利用可能です。

サンプルとノートブック・チュートリアルは Project-MONAI/tutorials にあります。

技術文書は docs.monai.io で利用可能です。

Contributing

MONAI への contribution (貢献) を行なうガイダンスについては、contributing ガイドラインを参照してください。

コミュニティ

Twitter @ProjectMONAI の会話に参加するか Slack チャネルに参加してください。

MONAI’s GitHub Discussions タブで質問したり回答したりしてください。

リンク

Website : https://monai.io/
API ドキュメント : https://docs.monai.io
Code: https://github.com/Project-MONAI/MONAI
Project tracker: https://github.com/Project-MONAI/MONAI/projects
Issue tracker: https://github.com/Project-MONAI/MONAI/issues
Wiki : https://github.com/Project-MONAI/MONAI/wiki
Test status: https://github.com/Project-MONAI/MONAI/actions
PyPI package: https://pypi.org/project/monai/
Weekly previews: https://pypi.org/project/monai-weekly/
Docker Hub: https://hub.docker.com/r/projectmonai/monai

以上

医用画像処理

「MONAI」カテゴリーアーカイブ

MONAI 0.7 : tutorials : 2D 分類 – MedNIST データセットによる医用画像分類

MONAI 0.7 : tutorials : 2D 分類 – MedNIST データセットによる医用画像分類 (翻訳/解説)

MONAI 0.7 : tutorials : 2D 分類 – MedNIST データセットによる医用画像分類

環境のセットアップ

インポートのセットアップ

データディレクトリのセットアップ

データセットをダウンロードする

再現性のために決定論的訓練を設定する

データセットフォルダから画像ファイル名を読む

データセットから画像をランダムに選択して可視化して確認する

訓練、検証とテストデータのリストを準備する

データを前処理するために MONAI 変換、Dataset と Dataloader を定義する

ネットワークと optimizer を定義する

モデル訓練

損失とメトリックをプロットする

テストデータセット上でモデルを評価する

データディレクトリのクリーンアップ

MONAI 0.7 : モジュール概要 (1) 医用画像データI/O, 前処理と増強

MONAI 0.7 : モジュール概要 (1) 医用画像データI/O, 前処理と増強 (翻訳/解説)

MONAI 0.7 : モジュール概要 (1) 医用画像データI/O, 前処理と増強

MONAI アーキテクチャ

医用画像データ I/O、(前) 処理と増強

1. 辞書と配列形式データの両方をサポートする変換

2. 医療に特化した変換

3. 変換は NumPy 配列と PyTorch テンソルの両方をサポートします (CPU or GPU accelerated)

4. 融合した空間変換

5. ポジティブ/ネガティブ比率に基づいてランダムにクロップ

6. 再現性のための決定論的訓練

7. マルチ変換チェイン

8. DataStats で変換をデバッグする

9. モデル出力のための後処理変換

10. サードパーティの変換の統合

11. 医用画像形式のための IO ファクトリー

12. 変換データを NIfTI または PNG ファイルにセーブする

13. チャネル first データ shape を自動的に確実にする

14. 空間的変換とテスト時増強を反転する

MONAI 0.7 : PyTorch ユーザのための MONAI

MONAI 0.7 : PyTorch ユーザのための MONAI (翻訳/解説)

MONAI 0.7 : PyTorch ユーザのための MONAI

パッケージのインストール

数行のコードでパブリックな医療画像データセットへアクセス

柔軟な画像データ変換

配列 vs 辞書ベースの変換

変換の構成

データセット、変換とデータローダ

層、ブロック、ネットワークと損失関数

スライディング・ウィンドウ推論

訓練ワークフローの開始 (エポック毎に検証)

決定論的訓練

まとめ

MONAI 0.7 : 概要 (README)

MONAI 0.7 : README (概要) (翻訳/解説)

MONAI 0.7 : 概要 (README)

機能

インストール

Getting Started

Contributing

コミュニティ

リンク

投稿ナビゲーション

ClassCat® Chatbot

人工知能開発支援

最近の投稿

カテゴリー

タグ