GaNDLF

通用细致深度学习框架，用于分割、回归和分类。

GaNDLF所有选项

为什么使用它？

支持多种
- 深度学习模型架构
- 数据维度（2D/3D）
- 通道/图像/序列
- 预测类别
- 领域模态（即放射学扫描和数字化病理组织切片）
- 问题类型（分割、回归、分类）
- 多GPU（同一机器上）训练
内置
- 嵌套交叉验证（及相关综合统计）
- 支持并行HPC计算
- 支持训练检查点
- 支持自动混合精度
强大的数据增强，由TorchIO提供
处理不平衡类别（例如，大器官中的小肿瘤）
利用健壮的开源软件
无需编写任何代码即可生成强大的模型

引用

请引用以下GaNDLF文章（全文）：

@article{pati2023gandlf,
    作者={Pati, Sarthak 和 Thakur, Siddhesh P. 和 Hamamc{\i}, {\.{I}}brahim Ethem 和 Baid, Ujjwal 和 Baheti, Bhakti 和 Bhalerao, Megh 和 G{\"u}ley, Orhun 和 Mouchtaris, Sofia 和 Lang, David 和 Thermos, Spyridon 和 Gotkowski, Karol 和 Gonz{\'a}lez, Camila 和 Grenko, Caleb 和 Getka, Alexander 和 Edwards, Brandon 和 Sheller, Micah 和 Wu, Junwen 和 Karkada, Deepthi 和 Panchumarthy, Ravi 和 Ahluwalia, Vinayak 和 Zou, Chunrui 和 Bashyam, Vishnu 和 Li, Yuemeng 和 Haghighi, Babak 和 Chitalia, Rhea 和 Abousamra, Shahira 和 Kurc, Tahsin M. 和 Gastounioti, Aimilia 和 Er, Sezgin 和 Bergman, Mark 和 Saltz, Joel H. 和 Fan, Yong 和 Shah, Prashant 和 Mukhopadhyay, Anirban 和 Tsaftaris, Sotirios A. 和 Menze, Bjoern 和 Davatzikos, Christos 和 Kontos, Despina 和 Karargyris, Alexandros 和 Umeton, Renato 和 Mattson, Peter 和 Bakas, Spyridon},
    标题={GaNDLF: 用于可扩展端到端临床工作流的通用深度学习框架},
    期刊={Communications Engineering},
    年份={2023},
    月份={5月},
    日期={16},
    卷={2},
    期={1},
    页码={23},
    摘要={深度学习（DL）有潜力优化科学和临床社区中的机器学习。然而，开发DL算法需要更专业的知识，而且实现的多样性阻碍了其可重复性、转化和部署。在此我们介绍社区驱动的通用深度学习框架（GaNDLF），目标是降低这些障碍。GaNDLF使DL开发、训练和推理机制更加稳定、可复现、可解释和可扩展，而无需广泛的技术背景。GaNDLF旨在为计算精准医学中所有DL相关任务提供端到端解决方案。我们展示了GaNDLF分析放射学和组织学图像的能力，内置支持k折交叉验证、数据增强、多模态和多输出类别。我们在众多用例、解剖结构和计算任务上的定量性能评估支持GaNDLF作为一个可靠的应用框架，可部署于临床工作流程中。},
    issn={2731-3395},
    doi={10.1038/s44172-023-00066-3},
    url={https://doi.org/10.1038/s44172-023-00066-3}
}