FastDiag Toolkit

高效的医学影像处理工具包

问题背景

在笔者投身医学图像AI领域的这些年里，深刻体会到这个学科的独特魅力与挑战。Python与PyTorch无疑已成为我们探索未知、构建模型的通用语言，推动着整个领域的飞速发展。我们站在巨人的肩膀上，python 生态中的 pydicom、SimpleITK、nibabel 等经典工具链为我们处理复杂的医学影像数据提供了可能，前人的卓越贡献值得我们每一个人致敬。

然而，我们也不得不承认，这些传统的轮子在面对今天的深度学习工作流时，显得有些“水土不服”。笔者和身边的许多同行，都曾或多或少地在一些基础问题上反复挣扎：老旧的数据格式与现代AI框架的接口难以严丝合缝地对接；新人需要耗费大量时间，在无数次踩坑和试错后，才能建立起对医学影像坐标系、数据加载等问题的基本认知。

更让人难受的是，这个领域的“说明书”实在太少了。除了3D Slicer等少数项目提供了相对完善的文档外，大量的关键内容都深埋在ITK和VTK庞杂的代码库深处。很多时候，我们为了定位一个看似简单的bug，不得不翻遍GitHub issue、stackoverflow、各路神仙的博客，从零散的讨论中拼凑出问题的成因。这种探索过程虽然不乏“解谜”的乐趣，但对于追求高效研发的我们而言，无疑是一种巨大的时间成本。

正是这些日常工作中的痛点，促使笔者开始思考：我们是否能有一套更现代、更高效、更符合AI时代开发习惯的基础工具，来将我们从这些重复性的泥潭中解放出来，从而能更专注于算法和模型本身的创新？这便是我们开发FastDiag Toolkit的初衷。

解决方案

FastDiag Toolkit 提供了三个核心库：

📦 DiCube - 医学影像存储库

高效的 3D 医学影像存储格式，dicom 的上位替代。

核心特性：

  • 单文件存储（.dcbs），消除 dicom 零散化给文件系统的负担
  • HTJ2K 无损压缩，3倍存储压缩，5倍速度提升
  • 元数据去重，减少冗余信息
  • 完整 DICOM 往返转换支持

GitHub： https://github.com/fastdiag-toolbox/dicube

🎭 MedMask - 医学掩膜处理库

专业的医学影像分割掩膜压缩和处理解决方案，nii.gz 的上位替代。

核心特性：

  • 50+ 倍压缩比（Zstandard 算法）
  • 16 倍读取速度提升
  • 内嵌语义映射
  • 支持多粒度器官组合和重叠掩膜

GitHub： https://github.com/fastdiag-toolbox/medmask

🌐 SpaceTransformer - 3D 空间变换库

优雅的 3D 医学影像几何变换处理方案，simpleitk 的上位替代。

核心特性：

  • Space 优先几何抽象：通过形状/间距/原点/方向，自动推导精确坐标映射
  • 规划与执行分离：在抽象的 space 上链式描述各种空间变换，实际变换只要单次采样
  • 精准对齐零偏差：图像/掩膜/关键点严格一致，规避 align_corners 与轴序陷阱
  • GPU 加速与生态互通：PyTorch 后端重采样

GitHub：

安装方法

# 分别安装各个库
pip install dicube
pip install medmask
pip install spacetransformer-core
pip install spacetransformer-torch  # GPU 加速版本

详细文档

欢迎查看左侧导航栏中的相关技术文档，深入了解各个库的实现细节和使用方法。

如需技术支持或贡献代码，请访问相应的 GitHub 仓库