Tags: Deep Learning , ITK , Medical Imaging , Python
现在使用PyTorch、TensorFlow、scikit-learn和其他Python库让您在人工智能研究方面如鱼得水。但是多年来你一直在用c++开发算法。为了达到人工智能研究的下一个层次，你需要将那些c++算法引入到你的Python脚本中。你可以花几天/几周/几个月的时间用Python重新实现你的c++算法，或者更简单地你也可以将你的算法转换成Insight Toolkit (ITK)函数。好消息是ITK Python现在可以自动将C++代码包装成Python函数!
事实上医学图像处理研究人员和产品开发人员几乎都知道，ITK提供的图像归一化和增强技术支持50多种医学图像格式，并提供数百种用于提取医学图像中的生物标志的图像分析方法。然而，他们中的大多数人不知道的是:
ITK现在可以通过Python来使用，并且它与大多数流行的AI工具箱进行了紧密的集成。虽然ITK是用C++编写的，但在过去15年多的时间里，它一直使用SWIG和CastXML相关的工具来提供对Python的绑定。有一个好消息是，自从ITKv5.1发布以来，那些ITK Python绑定已经得到了完善，现在使用起来就像使用原生的Python库一样。这些新的接口还无缝地支持numpy数组、dask数组、xarray和许多其他的数据结构，包括ITK图像数据。例如，如果将numpy ndarray作为输入传递给ITK的图像过滤器，它将同样返回numpy ndarray。就像下面这个来自ITK Python快速入门指南的代码展示的一样:
image = itk.imread(input_filename)median = itk.median_image_filter(image, radius=2)itk.imwrite(median, output_filename)
ITK的远程模块提供了一个易于使用的管道，可以将高效的c++图像处理算法与Python集成在一起。比方说，作为你的医学成像人工智能研究的一部分，你想要在训练深度学习模型时模拟身体质量指数(BMI)随着数据的增加而发生的变化。或者你正在处理一个模糊的显微镜成像格式。或者你发现你的Python算法遇到了瓶颈，你想要用多线程的C++实现它。那么，您应该考虑编写一个ITK远程模块，该模块将自动包含到ITK Python中。
要创建ITK远程模块，请遵循ITKModuleTemplate提供的文档。正如在文档中所解释的，模板模块使用一个名为“CookieCutter”的Python包，该包会向您询问关于您想要构建的模块的一系列简单问题。然后，CookieCutter使用您的答案为该模块创建自定义构建环境。使用该环境，您只需遵循well-documented ITK process就可以构建一个标准的ITK类，例如itkImageToImageFilter。定义了该类之后，使用CMake启用ITK Python包装，然后编译它。你的类将作为ITK Python函数而被提供:
import itk
filtered_image = itk.your_image_filter(image)
就是这样! 在你的人工智能研究中使用ITK Python，并创建你自己的ITK远程模块，这将使你能够有效地将你的C++算法和专业知识与Python中最前沿的人工智能库结合起来。你也可以在PyPI上发布你的自定义ITK，让全世界都能访问你的软件…
混合渲染磁共振血管造影(MRA)和一些血管。分段后的血管(如图中红色部分所示)是通过包含在TubeTK模块中的使用C++实现的方法提取得到。而上图却是通过Jupyter Notebook Python脚本完成的。你的C++算法也可以类似地被包装为ITK模块，然后通过Python脚本使用。
