2019

摘要

通过CNN+GCN分离动脉静脉
——————————————————————————

imgDirPath = './data/Orient/DemoRightUpper05CTPA'
case_list_train = ['/right/']# Weight path or "none"
weightFile = "none"
# Loss visualization
# ON or OFF
tensorboard = False
tensorboard_logsDir = "backup"# model save path
backupDir = "backup"
logFile = "backup/log.txt"max_epochs = 6000*12
save_interval = 100*12
gpus = [0]
# multithreading
num_workers = 2
batch_size = 1  # batch_size was always set to 1 in original keras implementation# Solver params
# adam or sgd
solver = "adam"
steps = [10000]
scales = [0.1]
learning_rate = 3e-4
momentum = 0.9
decay = 5e-4
betas = (0.9, 0.98)# Net params
in_channels = 1
patch_sz = (32, 32, 5)
model_name = 'AV_CNN_GCN'
# GCN setting
num_nodes = 128 # 在原版keras代码中叫做batch_size
Num_classes = 2
Num_neighbors = 2
dp = 0.5

train_loader = DataLoader(listDataset(config.imgDirPath, config.case_list_train, Num_nodes=config.num_nodes, Num_neighbour=config.Num_neighbors),batch_size=config.batch_size, shuffle=True, drop_last=True)

构造训练数据集
这里的drop_last项是让所有取满batch_size的剩余数据丢弃不要（任性啊）
读取patch.npy得到(1649, 32, 32, 5)的patches
读取Label.npy得到(1649, 2)的labels
读取ind.npy得到1649的inds
读取graph.npy得到1649个节点对应邻居的邻接链表字典（也就是说图结构数据已经制好了，邻接关系，那CNN应该就只是提取节点特征了）

每轮提取数据

graph = self.traingraphes[index]

（但是self.traingraphes是只有一个元素的列表啊？）
然后调用graph这个自定数据类型（graphDataset）的next_node函数

start = self._index_in_epoch #=0初始化时定的，是起点的意思吧

如果考虑邻居→如果超参数节点数128不大于真实节点数1649：①起点更新，+128；②取终点128，起点终点内的patches作为images(128, 32, 32, 5)，labels(128, 2)，inds作为ind_node 128；
③遍历所有128个节点：
对于这每个节点k的每个邻居x，记录它们在节点列表self._inds中的索引xtup。如果当前这个索引列表不短于邻居数：打乱这个索引列表并取前两个做L_indx，再取这两个索引对应的节点放进N_image，最终有(128, 2, 32, 32, 5)NX_batch，与X_batch=images(128, 32, 32, 5)，Y_batch=labels(128, 2)返回

取Y_batch纵向最大值的索引更新Y_batch 128
X_batch调整成[128, 1，5, 32, 32]，节点数，通道数，深度，宽度，长度
NX_batch调整成[128, 2, 1，5, 32, 32]，节点数，邻居数，通道数，深度，宽度，长度

输入：
X_batch[128, 1, 5, 32, 32]
Y_batch[128]
NX_batch[128, 2, 1, 5, 32, 32]
Av_CNN_GCN_model((Phi_fun): phi_fun(#先same_padding_3d(5,7,7)一下，有out[128, 1, 9, 38, 38](Conv_1): ConvLayer_BN((conv3d): Conv3d(1, 32, kernel_size=(5, 7, 7), stride=(1, 1, 1), bias=False)(bn): BatchNorm3d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(leakyrelu): LeakyReLU(negative_slope=0.1, inplace=True))#out[128, 32, 5, 32, 32]#same_padding_3d(5,7,7)，有out[128, 32, 9, 38, 38](Conv_2): ConvLayer_BN((conv3d): Conv3d(32, 64, kernel_size=(5, 7, 7), stride=(1, 1, 1), bias=False)(bn): BatchNorm3d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(leakyrelu): LeakyReLU(negative_slope=0.1, inplace=True))#out[128, 64, 5, 32, 32](Mp_3): MaxPool3d(kernel_size=(2, 2, 2), stride=(2, 2, 2), padding=0, dilation=1, ceil_mode=False)#out[128, 64, 2, 16, 16](Dp): Dropout3d(p=0.5, inplace=False)#same_padding_3d(2,5,5)，有out[128, 64, 3, 20, 20](Conv_5): ConvLayer_BN((conv3d): Conv3d(64, 128, kernel_size=(2, 5, 5), stride=(1, 1, 1), bias=False)(bn): BatchNorm3d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(leakyrelu): LeakyReLU(negative_slope=0.1, inplace=True))#out[128, 128, 2, 16, 16](Dp): Dropout3d(p=0.5, inplace=False)#view out[128, 65536](Dp): Dropout3d(p=0.5, inplace=False)(Fc_7): Linear(in_features=65536, out_features=50, bias=True)(Fc_8): Linear(in_features=50, out_features=100, bias=True)(Fc_9): Linear(in_features=100, out_features=10, bias=True)#out[128, 10])#通过NX_batch遍历其两个邻居，分别再经历一遍Phi_fun#拼接成邻域信息NX[128, 2, 10]#然后释放NX的梯度计算？！？！？！？！？(gcn_layer): GCNlayer()dif = X - Nx#dif与参数w[10, 3]通过bdot计算mu_x[128, 2, 3]def bdot(a, b):B = a.shape[0]b = b[None,:,:]b = b.repeat(B,1,1)return torch.bmm(a, b)#mu_x sum聚合成[128, 3],再克隆成[128, 6, 3]#有参数mu[6,3],sigma[6,3]dif_mu = torch.sum(-0.5 * torch.mul(mu_x - self.mu, mu_x - self.mu)/ (1e-14 + torch.mul(self.sigma, self.sigma)), dim=-1)weight = torch.exp( dif_mu )weight = weight / (1e-14 + torch.sum(weight, axis=-1, keepdims = True))#有[128,1,6]的weight#再次sum并克隆NX，有[128,6,10]X_merge = torch.bmm(weight, Nx).squeeze() # with size [node_num*batchsz, feature_len]H = (X_merge + X) / (1 + torch.sum(weight, axis=-1))x_out = torch.mm(H, self.theta)#[128,2])

读《Linking Convolutional Neural Networks with Graph Convolutional Networks: Application in Pulmonary》相关推荐

读《Android 安全架构深究》
Android 安全架构深究安全是一个非常立体而丰富得概念.在不同的场景下,安全有着不同的含义. 比如对于网络传输,安全指的是传输的数据不会被其他人看到.篡改.伪造及仿冒,传输的数据不会遭到破坏,数 ...
《最强Android书架构大剖析》读书笔记
文章目录第一章 Android 体系结构的变革之路 1.2 Android系统源码目录与Linux的异同 Android的框架原生二进制可执行文件 Android 的原生库核心(core)库 ...
Android Jetpack架构组件之 Room（使用、源码篇）
2019独角兽企业重金招聘Python工程师标准>>> 1.前言最近简单看了下google推出的框架Jetpack,感觉此框架的内容可以对平时的开发有很大的帮助,也可以解决很多开发 ...
抖音、美团等大厂千万级用户的Android客户端架构演进之路—
在移动开发中,对开发者来说不同的人具有不同的能力.就像读一本书一样,一千个读者,有一千个哈姆雷特.但不管怎样,只要你是个软件开发者你就必须学习windows或Linux等操作系统的运行原理.Andro ...
Android 图形架构之一 ——概述
前言本系列的文章,可以让你明白,一个View最终是如何显示到屏幕上的,从应用层到硬件抽象层.对分析app的卡顿,掉帧等有很大帮助. 由于图形架构的涉及到的代码量很大,所以本篇先来个总体的概述,有个 ...
Android display架构分析-SW架构分析(1-8)
参考: Android display架构分析二-SW架构分析 Android display架构分析三-Kernel Space Display架构介绍 Android display架构分析四-m ...
高通Android display架构分析
目录(?)[-] Kernel Space Display架构介绍函数和数据结构介绍函数和数据结构介绍函数和数据结构介绍数据流分析初始化过程分析 User Space display接口 K ...
[Android] Android MVP 架构下最简单的代码实现
Android MVP 架构下最简单的代码实现首先看图: 上图是MVP,下图是MVC MVP和MVC的区别,在于以前的View层不仅要和model层交互,还要和controller层交互.而 ...
Android系统架构-[Android取经之路]
摘要:本节主要来讲解Android的系统架构阅读本文大约需要花费10分钟. 文章首发微信公众号:IngresGe 专注于Android系统级源码分析,Android的平台设计,欢迎关注我,谢谢! 欢 ...
Android系统架构图及简单的系统架构介绍
2019独角兽企业重金招聘Python工程师标准>>> ndroid的系统架构和其操作系统一样,采用了分层的架构.从架构图看,android分为四个层,从高层到低层分别是应用程序层. ...

读《Linking Convolutional Neural Networks with Graph Convolutional Networks: Application in Pulmonary》

摘要

读《Linking Convolutional Neural Networks with Graph Convolutional Networks: Application in Pulmonary》相关推荐

最新文章

热门文章