使用【PaddleSeg3D】搭建项目对肝脏进行3D分割
2024-04-23 04:06:25
!git clone https://github.com/PaddleCV-SIG/PaddleSeg3D.git
1. PaddleSeg3D
从这个工具的github地址https://github.com/PaddleCV-SIG/PaddleSeg3D.git ，可以看出是飞桨的兴趣小组(PPSIG,飞桨特殊兴趣小组)的CV小组开发和维护的。如果对飞桨的分割套件PaddleSeg熟悉的话，知道PaddleSeg目前支持都是2D分割，没有3D分割这方面的工具，不过有很多用户或者行业有3D分割的需求，特别医疗行业的用户。现在飞桨兴趣小组开发了PaddleSeg3D的3D分割工具，后面估计会整合到PaddleSeg分割套件中。
现在尝试用PaddleSeg3D这个工具搭建3D分割项目，分割自己的医疗数据。
PaddleSeg3D跟PaddleSeg很像的，用起来也很方便，但是就是对自己的医疗数据预处理没有提供太多的脚本，例如PaddleSeg3D中快速运行的教程中，是对新冠胸部CT的数据集进行肺部的分割，里面的预处理都是根据肺部“打量的”，还不支持nii后缀名的医疗格式，所以如果你要分割自己的数据，器官不是肺部的话，那需要自己写脚本。不过除自己需要对数据进行预处理外，后面的训练，就很方便，PaddleSeg3D提供一行代码就可以训练、验证、评估。
希望PaddleSeg3D可以尽快加入PaddleSeg开发套件中。
# 安装依赖
!pip install -r ./PaddleSeg3D/requirements.txt
#解压数据
!unzip -o /home/aistudio/data/data129670/livers.zip -d /home/aistudio/PaddleSeg3D
2. 数据集介绍
这个项目主要分割肝脏和肿瘤，数据的模式是CT，属于薄层数据（体素约为0.7x0.7x0.7），在Z轴上可以达到500多层。通过ITK-SNAP中看到显示红色的是肝脏，显示绿色的是肿瘤。这个数据集一共有28例
#记得运行这行
%cd /home/aistudio/PaddleSeg3D/
/home/aistudio/PaddleSeg3D
#导入常用的库
import nibabel as nib
import SimpleITK as sitk
import matplotlib.pyplot as plt
import numpy as np
import os
from tqdm import tqdm
3. 对数据进行预处理
PaddleSeg3D的快速运行教程是分割胸部CT数据的肺部。对数据处理如下：
用nibabel读取医疗数据后，
if "nii.gz" in filename:f_np = nib.load(f).get_fdata(dtype=np.float32)
对CT值裁剪，然后对数据的Size 重采样到[128，128，128]，再转换成numpy数据。
preprocess=[HUNorm,functools.partial(resample, new_shape=[128, 128, 128], order=1)],
HUNorm默认是 HU_min=-1000, HU_max=600
#这个值范围类似肺窗
如果是分割自己的数据（不是分割肺部）是不能用它提供的脚本，假如你的医疗数据是nii的话，直接不支持读取(脚本没有把nii的格式写进去),而且使用nibabel来读取nii的话，图像会旋转90度，对CT值裁剪也是针对肺部的。因此最好自己写脚本预处理自己的数据。
因此对这个项目的肝脏数据，自己写脚本进行如下的预处理：
- 用SimpleITK读取.nii医疗数据，而且用SimpleITK不会出现用nibabel读取后会旋转90度
- 对数据统一方向，避免SimpleITK读取后，图像上下翻转(统一方向后，用nibabel还是会旋转90度)
- 对数据的CT值根据窗宽窗位进行裁剪
- 对数据的Size 进行重采样到[128,128,128]
- 转换成numpy(.npy)文件
"""
发现nibabel读取会旋转90度，SImpleITK会上下翻转，为了解决这个问题，需要对数据进行方向统一.
不过统不统一方向，nibabel都会旋转90度，而PaddleSeg3D也是刚好用这库处理医学数据转换成numpy，
所以转换numpy时，我不用这分割套件自带的脚本，自己用SImpleITK写一个。
"""plt.figure(figsize=(10,5))f_nib = nib.load("./livers/data/volume-2.nii").get_fdata(dtype=np.float32)
print(f"nibabel读取文件转换numpy后形状为x,y,z{f_nib.shape}")f_sitk= sitk.GetArrayFromImage(sitk.ReadImage('./livers/data/volume-2.nii'))
print(f"SimpleITK读取文件转换numpy后形状为z,y,x{f_sitk.shape}")plt.subplot(1,2,1),plt.imshow(f_nib[:,:,60],'gray'),plt.title("nibabel")
plt.subplot(1,2,2),plt.imshow(f_sitk[60,:,:],'gray'),plt.title("SimpleITK")
plt.show()nibabel读取文件转换numpy后形状为x,y,z(512, 512, 158)
SimpleITK读取文件转换numpy后形状为z,y,x(158, 512, 512)
"""
读取nii文件后，设置统一的Direction,
"""
def reorient_image(image):"""Reorients an image to standard radiology view."""dir = np.array(image.GetDirection()).reshape(len(image.GetSize()), -1)ind = np.argmax(np.abs(dir), axis=0)new_size = np.array(image.GetSize())[ind]new_spacing = np.array(image.GetSpacing())[ind]new_extent = new_size * new_spacingnew_dir = dir[:, ind]flip = np.diag(new_dir) < 0flip_diag = flip * -1flip_diag[flip_diag == 0] = 1flip_mat = np.diag(flip_diag)new_origin = np.array(image.GetOrigin()) + np.matmul(new_dir, (new_extent * flip))new_dir = np.matmul(new_dir, flip_mat)resample = sitk.ResampleImageFilter()resample.SetOutputSpacing(new_spacing.tolist())resample.SetSize(new_size.tolist())resample.SetOutputDirection(new_dir.flatten().tolist())resample.SetOutputOrigin(new_origin.tolist())resample.SetTransform(sitk.Transform())resample.SetDefaultPixelValue(image.GetPixelIDValue())resample.SetInterpolator(sitk.sitkNearestNeighbor)return resample.Execute(image) for f in tqdm(os.listdir("./livers/data")) :d_path = os.path.join('./livers/data',f)seg_path = os.path.join('./livers/mask',f.replace("volume","segmentation"))d_sitkimg = sitk.ReadImage(d_path)d_sitkimg = reorient_image(d_sitkimg)seg_sitkimg = sitk.ReadImage(seg_path)seg_sitkimg = reorient_image(seg_sitkimg)sitk.WriteImage(d_sitkimg,d_path)sitk.WriteImage(seg_sitkimg,seg_path)#统一方向后，再用SimpleITK读取，不再是上下翻转了，显示正常了
plt.figure(figsize=(10,5))
img= sitk.GetArrayFromImage(sitk.ReadImage('./livers/data/volume-2.nii'))
seg= sitk.GetArrayFromImage(sitk.ReadImage('./livers/mask/segmentation-2.nii'))
plt.subplot(1,2,1),plt.imshow(img[60,:,:],'gray'),plt.title("origin")
plt.subplot(1,2,2),plt.imshow(seg[60,:,:],'gray'),plt.title("mask")
plt.show()
"""
对已经CT值裁剪和size重采样的数据转换成numpy并保存.npy文件
"""
from paddleseg3d.datasets.preprocess_utils import HUNorm, resampledataset_root = "livers/"
image_dir = os.path.join(dataset_root, "images") #images 不要改，存放转换后原始数据的npy文件
label_dir = os.path.join(dataset_root, "labels") #labels 不要改，存放转换后的标签npy文件
os.makedirs(image_dir, exist_ok=True)
os.makedirs(label_dir, exist_ok=True)
ww = 350
wc = 80for f in tqdm(os.listdir("./livers/data")) :d_path = os.path.join('./livers/data',f)seg_path = os.path.join('./livers/mask',f.replace("volume","segmentation"))d_img = sitk.GetArrayFromImage(sitk.ReadImage(d_path))d_img = HUNorm(d_img,HU_min=int(wc-int(ww/2)), HU_max=int(wc+int(ww/2)))d_img = resample(d_img,new_shape=[128, 128, 128], order=1).astype("float32")#new_shape=[z,y,x]seg_img = sitk.GetArrayFromImage(sitk.ReadImage(seg_path))seg_img = resample(seg_img,new_shape=[128, 128, 128], order=0).astype("int64")np.save(os.path.join(image_dir,f.split('.')[0]), d_img)np.save(os.path.join(label_dir,f.split('.')[0].replace("volume","segmentation")), seg_img)
# 划分数据集，训练集和测试集为8：2
import random
random.seed(1000)
path_origin = './livers/images/'
files = list(filter(lambda x: x.endswith('.npy'), os.listdir(path_origin)))
random.shuffle(files)
rate = int(len(files) * 0.8)#训练集和测试集8：2
train_txt = open('./livers/train_list.txt','w')
val_txt = open('./livers/val_list.txt','w')
for i,f in enumerate(files):image_path = os.path.join('images', f)label_path = image_path.replace("images", "labels").replace('volume','segmentation')if i < rate:train_txt.write(image_path + ' ' + label_path+ '\n')else:val_txt.write(image_path + ' ' + label_path+ '\n')
train_txt.close()
val_txt.close()print('完成')
完成
"""
最后读取转换后的npy文件并展示，可见图像显示肝脏的窗宽窗位，形状大小也为128*128，数据都归一化到0到1之间
"""
data = np.load('livers/images/volume-0.npy')
print(data.shape)
print(np.max(data),np.min(data))#把数据归一化到0-1
img = data[60,:,:]
plt.imshow(img,'gray')
plt.show()
(128, 256, 256)
1.0 0.0
4. 设置训练配置文件
PaddleSeg3D通过配置yaml文件来设置训练参数的。
这次训练用到的yaml文件内容如下：
data_root: livers/ #随便设置，只要是一个路径即可，因为dataset_root用来绝对路径batch_size: 2
iters: 15000train_dataset:type: LungCoronavirus #不用管dataset_root: /home/aistudio/PaddleSeg3D/livers/ #这里用绝对路径省事好似result_dir: None #目前好似没啥用transforms:- type: RandomResizedCrop3D #随机缩放裁剪size: 128scale: [0.8, 1.4]- type: RandomRotation3D #随机旋转degrees: 60 #旋转角度[-60 ,+60]度- type: RandomFlip3D # 随机翻转mode: train #训练模式num_classes: 3 #分割类别数（背景，肝脏，肿瘤）val_dataset:type: LungCoronavirusdataset_root: /home/aistudio/PaddleSeg3D/livers/result_dir: Nonenum_classes: 3transforms: []mode: valoptimizer: #优化器设置type: sgdmomentum: 0.9weight_decay: 1.0e-4lr_scheduler: #学习率设置type: PolynomialDecaydecay_steps: 15000learning_rate: 0.0003end_lr: 0power: 0.9loss: #损失函数，交叉熵和dice结合一起用types:- type: MixedLosslosses:- type: CrossEntropyLossweight: Null- type: DiceLosscoef: [1, 1] #设置交叉熵和dice的权重coef: [1]model:type: VNet #目前只有Unet3d和Vnet两个3D分割网络选择elu: Falsein_channels: 1num_classes: 3pretrained: null
5. VNet
VNet是医疗3D分割网络，结构上也是采用U型结构。比起Unet3D，层内采用残差结构(第一个红框)。用卷积层替代池化层(第二个红框)。论文中也强调了Dice损失函数的作用
#打印vnet的网络结构!python paddleseg3d/models/vnet.py
/home/aistudio/PaddleSeg3D/paddleseg3d/models/../../paddleseg3d/cvlibs/manager.py:118: UserWarning: VNet exists already! It is now updated to <class '__main__.VNet'> !!!component_name, component))
W0228 19:18:39.534801 27494 device_context.cc:447] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.1, Runtime API Version: 10.1
W0228 19:18:39.538172 27494 device_context.cc:465] device: 0, cuDNN Version: 7.6.
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/nn/layer/norm.py:653: UserWarning: When training, we now always track global mean and variance."When training, we now always track global mean and variance.")
out Tensor(shape=[1], dtype=float32, place=CUDAPlace(0), stop_gradient=False,[-0.45796004]) Tensor(shape=[1], dtype=float32, place=CUDAPlace(0), stop_gradient=True,[0.49996352])
-----------------------------------------------------------------------------------------------------------Layer (type) Input Shape Output Shape Param #
===========================================================================================================Conv3D-1 [[1, 1, 128, 256, 256]] [1, 16, 128, 256, 256] 2,016 BatchNorm3D-1 [[1, 16, 128, 256, 256]] [1, 16, 128, 256, 256] 64 PReLU-1 [[1, 16, 128, 256, 256]] [1, 16, 128, 256, 256] 16
InputTransition-1 [[1, 1, 128, 256, 256]] [1, 16, 128, 256, 256] 0 Conv3D-2 [[1, 16, 128, 256, 256]] [1, 32, 64, 128, 128] 4,128 BatchNorm3D-2 [[1, 32, 64, 128, 128]] [1, 32, 64, 128, 128] 128 PReLU-2 [[1, 32, 64, 128, 128]] [1, 32, 64, 128, 128] 32 Conv3D-3 [[1, 32, 64, 128, 128]] [1, 32, 64, 128, 128] 128,032 BatchNorm3D-3 [[1, 32, 64, 128, 128]] [1, 32, 64, 128, 128] 128 PReLU-4 [[1, 32, 64, 128, 128]] [1, 32, 64, 128, 128] 32 LUConv-1 [[1, 32, 64, 128, 128]] [1, 32, 64, 128, 128] 0 PReLU-3 [[1, 32, 64, 128, 128]] [1, 32, 64, 128, 128] 32 DownTransition-1 [[1, 16, 128, 256, 256]] [1, 32, 64, 128, 128] 0 Conv3D-4 [[1, 32, 64, 128, 128]] [1, 64, 32, 64, 64] 16,448 BatchNorm3D-4 [[1, 64, 32, 64, 64]] [1, 64, 32, 64, 64] 256 PReLU-5 [[1, 64, 32, 64, 64]] [1, 64, 32, 64, 64] 64 Conv3D-5 [[1, 64, 32, 64, 64]] [1, 64, 32, 64, 64] 512,064 BatchNorm3D-5 [[1, 64, 32, 64, 64]] [1, 64, 32, 64, 64] 256 PReLU-7 [[1, 64, 32, 64, 64]] [1, 64, 32, 64, 64] 64 LUConv-2 [[1, 64, 32, 64, 64]] [1, 64, 32, 64, 64] 0 Conv3D-6 [[1, 64, 32, 64, 64]] [1, 64, 32, 64, 64] 512,064 BatchNorm3D-6 [[1, 64, 32, 64, 64]] [1, 64, 32, 64, 64] 256 PReLU-8 [[1, 64, 32, 64, 64]] [1, 64, 32, 64, 64] 64 LUConv-3 [[1, 64, 32, 64, 64]] [1, 64, 32, 64, 64] 0 PReLU-6 [[1, 64, 32, 64, 64]] [1, 64, 32, 64, 64] 64 DownTransition-2 [[1, 32, 64, 128, 128]] [1, 64, 32, 64, 64] 0 Conv3D-7 [[1, 64, 32, 64, 64]] [1, 128, 16, 32, 32] 65,664 BatchNorm3D-7 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 512 PReLU-9 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 128 Dropout3D-3 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 0 Conv3D-8 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 2,048,128 BatchNorm3D-8 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 512 PReLU-11 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 128 LUConv-4 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 0 Conv3D-9 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 2,048,128 BatchNorm3D-9 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 512 PReLU-12 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 128 LUConv-5 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 0 Conv3D-10 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 2,048,128 BatchNorm3D-10 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 512 PReLU-13 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 128 LUConv-6 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 0 PReLU-10 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 128 DownTransition-3 [[1, 64, 32, 64, 64]] [1, 128, 16, 32, 32] 0 Conv3D-11 [[1, 128, 16, 32, 32]] [1, 256, 8, 16, 16] 262,400 BatchNorm3D-11 [[1, 256, 8, 16, 16]] [1, 256, 8, 16, 16] 1,024 PReLU-14 [[1, 256, 8, 16, 16]] [1, 256, 8, 16, 16] 256 Dropout3D-4 [[1, 256, 8, 16, 16]] [1, 256, 8, 16, 16] 0 Conv3D-12 [[1, 256, 8, 16, 16]] [1, 256, 8, 16, 16] 8,192,256 BatchNorm3D-12 [[1, 256, 8, 16, 16]] [1, 256, 8, 16, 16] 1,024 PReLU-16 [[1, 256, 8, 16, 16]] [1, 256, 8, 16, 16] 256 LUConv-7 [[1, 256, 8, 16, 16]] [1, 256, 8, 16, 16] 0 Conv3D-13 [[1, 256, 8, 16, 16]] [1, 256, 8, 16, 16] 8,192,256 BatchNorm3D-13 [[1, 256, 8, 16, 16]] [1, 256, 8, 16, 16] 1,024 PReLU-17 [[1, 256, 8, 16, 16]] [1, 256, 8, 16, 16] 256 LUConv-8 [[1, 256, 8, 16, 16]] [1, 256, 8, 16, 16] 0 PReLU-15 [[1, 256, 8, 16, 16]] [1, 256, 8, 16, 16] 256 DownTransition-4 [[1, 128, 16, 32, 32]] [1, 256, 8, 16, 16] 0 Dropout3D-5 [[1, 256, 8, 16, 16]] [1, 256, 8, 16, 16] 0 Dropout3D-6 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 0
Conv3DTranspose-1 [[1, 256, 8, 16, 16]] [1, 128, 16, 32, 32] 262,272 BatchNorm3D-14 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 512 PReLU-18 [[1, 128, 16, 32, 32]] [1, 128, 16, 32, 32] 128 Conv3D-14 [[1, 256, 16, 32, 32]] [1, 256, 16, 32, 32] 8,192,256 BatchNorm3D-15 [[1, 256, 16, 32, 32]] [1, 256, 16, 32, 32] 1,024 PReLU-20 [[1, 256, 16, 32, 32]] [1, 256, 16, 32, 32] 256 LUConv-9 [[1, 256, 16, 32, 32]] [1, 256, 16, 32, 32] 0 Conv3D-15 [[1, 256, 16, 32, 32]] [1, 256, 16, 32, 32] 8,192,256 BatchNorm3D-16 [[1, 256, 16, 32, 32]] [1, 256, 16, 32, 32] 1,024 PReLU-21 [[1, 256, 16, 32, 32]] [1, 256, 16, 32, 32] 256 LUConv-10 [[1, 256, 16, 32, 32]] [1, 256, 16, 32, 32] 0 PReLU-19 [[1, 256, 16, 32, 32]] [1, 256, 16, 32, 32] 256 UpTransition-1 [[1, 256, 8, 16, 16], [1, 128, 16, 32, 32]] [1, 256, 16, 32, 32] 0 Dropout3D-7 [[1, 256, 16, 32, 32]] [1, 256, 16, 32, 32] 0 Dropout3D-8 [[1, 64, 32, 64, 64]] [1, 64, 32, 64, 64] 0
Conv3DTranspose-2 [[1, 256, 16, 32, 32]] [1, 64, 32, 64, 64] 131,136 BatchNorm3D-17 [[1, 64, 32, 64, 64]] [1, 64, 32, 64, 64] 256 PReLU-22 [[1, 64, 32, 64, 64]] [1, 64, 32, 64, 64] 64 Conv3D-16 [[1, 128, 32, 64, 64]] [1, 128, 32, 64, 64] 2,048,128 BatchNorm3D-18 [[1, 128, 32, 64, 64]] [1, 128, 32, 64, 64] 512 PReLU-24 [[1, 128, 32, 64, 64]] [1, 128, 32, 64, 64] 128 LUConv-11 [[1, 128, 32, 64, 64]] [1, 128, 32, 64, 64] 0 Conv3D-17 [[1, 128, 32, 64, 64]] [1, 128, 32, 64, 64] 2,048,128 BatchNorm3D-19 [[1, 128, 32, 64, 64]] [1, 128, 32, 64, 64] 512 PReLU-25 [[1, 128, 32, 64, 64]] [1, 128, 32, 64, 64] 128 LUConv-12 [[1, 128, 32, 64, 64]] [1, 128, 32, 64, 64] 0 PReLU-23 [[1, 128, 32, 64, 64]] [1, 128, 32, 64, 64] 128 UpTransition-2 [[1, 256, 16, 32, 32], [1, 64, 32, 64, 64]] [1, 128, 32, 64, 64] 0
Conv3DTranspose-3 [[1, 128, 32, 64, 64]] [1, 32, 64, 128, 128] 32,800 BatchNorm3D-20 [[1, 32, 64, 128, 128]] [1, 32, 64, 128, 128] 128 PReLU-26 [[1, 32, 64, 128, 128]] [1, 32, 64, 128, 128] 32 Conv3D-18 [[1, 64, 64, 128, 128]] [1, 64, 64, 128, 128] 512,064 BatchNorm3D-21 [[1, 64, 64, 128, 128]] [1, 64, 64, 128, 128] 256 PReLU-28 [[1, 64, 64, 128, 128]] [1, 64, 64, 128, 128] 64 LUConv-13 [[1, 64, 64, 128, 128]] [1, 64, 64, 128, 128] 0 PReLU-27 [[1, 64, 64, 128, 128]] [1, 64, 64, 128, 128] 64 UpTransition-3 [[1, 128, 32, 64, 64], [1, 32, 64, 128, 128]] [1, 64, 64, 128, 128] 0
Conv3DTranspose-4 [[1, 64, 64, 128, 128]] [1, 16, 128, 256, 256] 8,208 BatchNorm3D-22 [[1, 16, 128, 256, 256]] [1, 16, 128, 256, 256] 64 PReLU-29 [[1, 16, 128, 256, 256]] [1, 16, 128, 256, 256] 16 Conv3D-19 [[1, 32, 128, 256, 256]] [1, 32, 128, 256, 256] 128,032 BatchNorm3D-23 [[1, 32, 128, 256, 256]] [1, 32, 128, 256, 256] 128 PReLU-31 [[1, 32, 128, 256, 256]] [1, 32, 128, 256, 256] 32 LUConv-14 [[1, 32, 128, 256, 256]] [1, 32, 128, 256, 256] 0 PReLU-30 [[1, 32, 128, 256, 256]] [1, 32, 128, 256, 256] 32 UpTransition-4 [[1, 64, 64, 128, 128], [1, 16, 128, 256, 256]] [1, 32, 128, 256, 256] 0 Conv3D-20 [[1, 32, 128, 256, 256]] [1, 2, 128, 256, 256] 8,002 BatchNorm3D-24 [[1, 2, 128, 256, 256]] [1, 2, 128, 256, 256] 8 PReLU-32 [[1, 2, 128, 256, 256]] [1, 2, 128, 256, 256] 2 Conv3D-21 [[1, 2, 128, 256, 256]] [1, 2, 128, 256, 256] 6
OutputTransition-1 [[1, 32, 128, 256, 256]] [1, 2, 128, 256, 256] 0
===========================================================================================================
Total params: 45,609,250
Trainable params: 45,598,618
Non-trainable params: 10,632
-----------------------------------------------------------------------------------------------------------
Input size (MB): 32.00
Forward/backward pass size (MB): 29372.00
Params size (MB): 173.99
Estimated Total Size (MB): 29577.99
-----------------------------------------------------------------------------------------------------------Vnet test is complete
6. 开始训练
一行代码开始训练
#开始训练
"""
!python3 train.py --config /home/aistudio/vnet_livers.yml #yaml文件路径--save_dir "/home/aistudio/output/livers" #模型保存路径--save_interval 500 #多少iters保存模型参数--log_iters 60 #多少iters打印一次信息--iters 15000 #训练多少iters--num_workers 6 --do_eval #是否训练期间验证模型性能--use_vdl #是否使用VisualDL可视化训练指标的走势
"""
!python3 train.py --config /home/aistudio/vnet_livers.yml \--save_dir "/home/aistudio/output/livers_vent128x128x128" \--save_interval 500 --log_iters 20 \--num_workers 6 --do_eval --use_vdl 7. 模型的验证和导出
2022-02-28 01:24:12 [INFO] [EVAL] #Images: 6, Dice: 0.6289, Loss: 0.634533
2022-02-28 01:24:12 [INFO] [EVAL] Class dice:
[0.9893 0.8679 0.0295]
用VNet跑了15000，验证集的效果如下：肝脏的dice为0.8679，肿瘤的dice为0.0295。对肿瘤这些小目标的检测效果比较差
#验证
"""
!python3 val.py --config /home/aistudio/vnet_livers.yml \ #yaml文件路径
--model_path /home/aistudio/output/livers/best_model/model.pdparams \ #最优模型的路径
--save_dir /home/aistudio/output/livers/best_model #验证后结果的保存路径
"""
!python3 val.py --config /home/aistudio/vnet_livers.yml \
--model_path /home/aistudio/output/livers/best_model/model.pdparams \
--save_dir /home/aistudio/output/livers/best_model
2022-02-28 01:24:04 [INFO]
---------------Config Information---------------
batch_size: 2
data_root: livers/
iters: 15000
loss:coef:- 1types:- coef:- 0.7- 0.3losses:- type: CrossEntropyLossweight: null- type: DiceLosstype: MixedLoss
lr_scheduler:decay_steps: 15000end_lr: 0learning_rate: 0.0003power: 0.9type: PolynomialDecay
model:elu: falsein_channels: 1num_classes: 3pretrained: nulltype: VNet
optimizer:momentum: 0.9type: sgdweight_decay: 0.0001
train_dataset:dataset_root: /home/aistudio/PaddleSeg3D/livers/mode: trainnum_classes: 3result_dir: Nonetransforms:- scale:- 0.8- 1.2size: 128type: RandomResizedCrop3D- degrees: 60type: RandomRotation3D- type: RandomFlip3Dtype: LungCoronavirus
val_dataset:dataset_root: /home/aistudio/PaddleSeg3D/livers/mode: valnum_classes: 3result_dir: Nonetransforms: []type: LungCoronavirus
------------------------------------------------
W0228 01:24:04.360675 32748 device_context.cc:447] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.1, Runtime API Version: 10.1
W0228 01:24:04.360720 32748 device_context.cc:465] device: 0, cuDNN Version: 7.6.
2022-02-28 01:24:08 [INFO] Loading pretrained model from /home/aistudio/output/livers/best_model/model.pdparams
2022-02-28 01:24:09 [INFO] There are 178/178 variables loaded into VNet.
2022-02-28 01:24:09 [INFO] Loaded trained params of model successfully
2022-02-28 01:24:09 [INFO] Start evaluating (total_samples: 6, total_iters: 6)...
2022-02-28 01:24:10 [INFO] [EVAL] Sucessfully save iter 0 pred and label.
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/fluid/dygraph/math_op_patch.py:253: UserWarning: The dtype of left and right variables are not the same, left dtype is paddle.float32, but right dtype is paddle.bool, the right dtype will convert to paddle.float32format(lhs_dtype, rhs_dtype, lhs_dtype))
1/6 [====>.........................] - ETA: 3s - batch_cost: 0.6990 - reader cost: 0.20632022-02-28 01:24:10 [INFO] [EVAL] Sucessfully save iter 1 pred and label.
2/6 [=========>....................] - ETA: 2s - batch_cost: 0.5683 - reader cost: 0.10322022-02-28 01:24:11 [INFO] [EVAL] Sucessfully save iter 2 pred and label.
3/6 [==============>...............] - ETA: 1s - batch_cost: 0.5247 - reader cost: 0.06882022-02-28 01:24:11 [INFO] [EVAL] Sucessfully save iter 3 pred and label.
4/6 [===================>..........] - ETA: 1s - batch_cost: 0.5027 - reader cost: 0.05172022-02-28 01:24:12 [INFO] [EVAL] Sucessfully save iter 4 pred and label.
5/6 [========================>.....] - ETA: 0s - batch_cost: 0.4912 - reader cost: 0.04132022-02-28 01:24:12 [INFO] [EVAL] Sucessfully save iter 5 pred and label.
6/6 [==============================] - 3s 483ms/step - batch_cost: 0.4830 - reader cost: 0.0345
2022-02-28 01:24:12 [INFO] [EVAL] #Images: 6, Dice: 0.6289, Loss: 0.634533
2022-02-28 01:24:12 [INFO] [EVAL] Class dice:
[0.9893 0.8679 0.0295]
#导出模型，方便推理和部署
"""
!python export.py --config /home/aistudio/vnet_livers.yml \ #yaml文件路径
--save_dir '/home/aistudio/save_model' \#导出模型的保存路径
--model_path /home/aistudio/output/livers/best_model/model.pdparams #需要导出的模型的路径
"""
!python export.py --config /home/aistudio/vnet_livers.yml \
--save_dir '/home/aistudio/save_model' \
--model_path /home/aistudio/output/livers/best_model/model.pdparams
#加载导出来的模型，对数据进行推理
!python deploy/python/infer.py --config /home/aistudio/save_model/deploy.yaml \
--image_path /home/aistudio/PaddleSeg3D/livers/images/volume-5.npy \
--save_dir '/home/aistudio'
#可视化推理后的结果
pre = np.load('/home/aistudio/volume-5.npy')
pre = np.squeeze(pre)
print(pre.shape)img = pre[60,:,:]
plt.imshow(img,'gray')
plt.show()
(256, 128, 128)
使用【PaddleSeg3D】搭建项目对肝脏进行3D分割相关推荐
- angular搭建项目步骤_建立健康的Angular项目应采取的步骤
angular搭建项目步骤 by Ashish Gaikwad 通过Ashish Gaikwad 建立健康的Angular项目应采取的步骤 (Steps you should take to buil ...
- 从零搭建一套结构光3D重建系统[理论+源码+实践]
01 背景介绍 图1 典型3D结构光系统 尽管结构光作为一种已经相当成熟,并且广泛应用的三维重建技术,不同于深度学习,依旧缺乏相关的课程,网上的开源资料寥寥无几,即使有,也是晦涩难懂,许多刚入门的研究 ...
- 新人上路-搭建项目-springweb-controller测试
新人上路-搭建项目-springweb-controller测试 maven和gradle配置 测试controller最基本的依赖 maven <!-- main framework begi ...
- vue项目结构php写哪里,Vue-cli搭建项目后目录结构的分析（图文）
这篇文章给大家介绍的文章内容是关于Vue-cli搭建项目后目录结构的分析,有很好的参考价值,希望可以帮助到有需要的朋友. 1.前言 Vue并不限制你的代码结构.但是,它规定了一些需要遵守的规则: 1. ...
- 支付宝支付 第三集：搭建项目及测试（含代码）
支付宝支付 第三集:搭建项目及测试(含代码) 一.资源 在搭建项目的时候,涉及到了SpringBoot的配置文件properties与yml文件,由于之前的项目使用的全部是properties类型,这 ...
- SpringBoot(一)_快速实战搭建项目
现在在学习springboot 相关的知识,感觉真的很好用,用idea 进行开发,根据慕课网和纯洁的微笑的课程.进行总结下. 使用idea创建springboot项目 (1)单击 File | New ...
- SpringCloud系列二：Restful 基础架构（搭建项目环境、创建 Dept 微服务、客户端调用微服务）...
声明:本文来源于MLDN培训视频的课堂笔记,写在这里只是为了方便查阅. 1.概念:Restful 基础架构 2.具体内容 对于 Rest 基础架构实现处理是 SpringCloud 核心所在,其基本操 ...
- JavaEE企业级快速开发平台jeesite4的使用和快速搭建项目
场景 JeeSIte是一个JavaEE企业级快速开发平台,基于经典技术组合(SpringBoot.Apache Shiro .MyBatis.Beetl.Bootstrap)在线代码生成工具,支持Sp ...
- 基于 abp vNext 和 .NET Core 开发博客项目 - 使用 abp cli 搭建项目
基于 abp vNext 和 .NET Core 开发博客项目 - 使用 abp cli 搭建项目 转载于:https://github.com/Meowv/Blog 首先,默认咱们已经有了.net ...
最新文章
- android webview loadurl本地,Android WebView 使用loadUrl方法执行本地JavaScript
- “要么你去驾驭生命，要么生命驾驭你。你的心态决定谁是坐骑，谁是骑师。”...
- C++基本数据类型列表
- y查询硬盘内存CPU
- java编程创建警告_java – 无法阻止ant生成编译器Sun专有API警告
- 计算机组成原理硬件设计,计算机组成原理硬件设计报告..doc
- java 接口传数组_Restful接口传递数组参数
- rustdesk:远控工具说明
- 求解3维空间中点到直线的距离
- prosody之component
- Linux 文件格式转码工具
- PID控制器原理详解
- UE5——Actor生命周期——销毁
- 2月15日市场游资操作情况以及龙虎榜
- C语言 日期转时间戳
- ARM中的MOV指令
- Chainer Chemistry | 用于化学和生物学的深度学习库
- 别以为有文化就了不起
- ADDS：设置域间信任 SID Filter Quarantining
- Churchill资本集团和科睿唯安合并，将在纽交所上市