🏥 Medical-AI-Projects

面向学生群体的医学 AI 实战项目合集
From Code to Clinical Application.

---

📖 项目简介 (Introduction)

本项目主要面向 学生群体 提供一系列医学人工智能（Medical AI）的入门与实战项目。

仓库旨在通过代码帮助初学者跨越从“深度学习理论”到“医学影像实战”的鸿沟。项目代码主要基于 PyTorch 框架构建，涵盖了医学影像处理领域常用的工具包与核心技术。希望能帮助你快速掌握该领域的工程落地能力。

🛠️ 核心技术栈 (Tech Stack)

本项目将带你熟悉以下医学影像处理领域的“瑞士军刀”：

• PyTorch: 深度学习核心框架
• MONAI: 专为医疗 AI 优化的深度学习框架
• SimpleITK / Pydicom / Nibabel: 医学影像（Dicom, NIfTI）IO与预处理工具

🗂️ 项目列表 (Projects)

📂 项目文件夹	📝 项目描述	🧠 模型/方法	🏷️ 关键词
Brain_Tumor_Segmentation	脑肿瘤 MRI 图像分割。 基于 BraTS (Brain Tumor Segmentation) 公开数据集，实现脑肿瘤区域的自动分割，并接入 SwanLab 实验追踪系统。	U-Net	Segmentation MRI SwanLab
ISBI2012-UNet	神经元结构分割 (ISBI 2012)。 U-Net 论文的经典验证任务。基于电子显微镜 (EM) 图像数据，分割神经膜结构。这是医学图像分割的“Hello World”级必练项目。	U-Net	EM-Stack Biomedical Classic

⚙️ 环境依赖 (Requirements)

建议创建独立的虚拟环境运行本项目：

# 1. 安装 PyTorch (请根据你的 CUDA 版本去官网选择命令)
pip install torch torchvision

# 2. 安装医学影像常用库
pip install monai pydicom nibabel simpleitk swanlab

# 或者直接安装依赖文件
pip install -r requirements.txt