深度学习三维图像数据增强——Monai实现一、前言二、数据类型三、Compose四、OneOf五、常见转换类型5.1裁减和填充5.2强度增强5.3空间增强六、注意（记录坑）6.1RandRotate90一、前言笔者接触深度学习不久，跑过一些二维图像的深度学习代码，对于二维图像，深度学习数据增强可借助skimage、opencv、imgaug、Albumentations、Augmentor等多数主流的库实现，在这里放一个大神的链接，可供参考。但对于三维数据，能够借助的库便少了起来，常用的有TorchIO和Monai，而针对于医学领域，Monai是一个不错的选择。笔者通过自学，将Monia库总结

1.介绍针对在使用传统图像处理工具时可能遇到的困难，深度学习已成为医疗保健领域的主要解决方案。因为医学图像比标准图像更难处理（高对比度、人体的广泛变化……）深度学习用于分类、对象检测，尤其是分割任务。在分割方面，深度学习用于分割人体器官，如肝脏、肺和……或分割来自身体不同部位的肿瘤。医学图像有很多不同的类型，例如MRI（主要用于脑肿瘤分割）、CT扫描、PET扫描等。本文将重点介绍CT扫描，但同样的操作也适用于其他类型。所以我们知道执行深度学习任务需要许多步骤，其中一个是数据预处理，这是我们在开始训练之前必须做的第一件事。这是本文的主题；我们将讨论可用于执行此预处理的工具。准备数据因任务而异；例

译者|朱先忠审校|重楼大家好！在这篇文章中，我们将使用MONAI最新的开源扩展——MONAI生成式模型来创建一个潜在扩散模型（LatentDiffusionModel），并通过此模型生成胸部X射线图像！简介生成式人工智能在医疗保健方面展现出巨大的潜力，因为它允许我们创建模型来学习训练数据集的基本模式和结构。通过这种方式，我们可以使用这些生成式模型来创建无数的合成数据，这些数据具有与真实数据相同的细节和特征，并且不受到这些内容的具体限制。鉴于其重要性，我们创建了MONAI生成模型，这是包含时下众多最新模型（如扩散模型、自回归转换器和生成对抗性网络）和有助于训练和评估生成模型相应组件的MONAI平