MIP Candy：用于医学图像处理的模块化 PyTorch 框架

医学图像处理需要处理高维体数据、异构文件格式以及特定领域的训练程序。现有框架要么提供低级组件需要大量集成工作，要么施加刚性、单体管道难以修改。我们提出 MIP Candy（MIPCandy），一个免费且基于 PyTorch 的框架，专为医学图像处理设计。MIPCandy 提供完整、模块化的管道，涵盖数据加载、训练、推断和评估，允许研究人员通过实现单个方法 \texttt{build_network} 即可获得完全功能的流程，同时保留对每个组件的细粒度控制。核心设计是 $\texttt{LayerT}$，一种延迟配置机制，使在运行时无需子类化即可替换卷积、归一化和激活模块。该框架进一步提供内置 $k$-折交叉验证、数据集检查配合自动区域兴趣检测、深度监督、指数移动平均、多前端实验跟踪（Weights & Biases、Notion、MLflow）、训练状态恢复以及通过商回归预测验证得分。可扩展的捆绑生态系统提供遵循一致 trainer--predictor 模式的预构建模型实现，并无需修改即可集成到核心框架中。MIPCandy 在 Apache-2.0 许可证下为开源软件，需要 Python~3.12 或更高版本。源代码和文档均可在 https://github.com/ProjectNeura/MIPCandy 提供。