NiftyNet是一款开源的卷积神经网络平台，专门针对医学图像处理分析,上一篇博客已经详细介绍了这个平台，接下来让我简单介绍一下目前我了解到的使用方法。更详细的使用方法、以及配置过程请查看NiftyNet官方文档：https://niftynet.readthedocs.io/en/latest/config_spec.html

目录：

1.NiftyNet层结构介绍

2.运行NiftyNet demo所需的指令格式

3.配置文件部分参数介绍

（1）[Input data source]

（2）[System]

（3）[NETWORK]

（4）[Volume-normalisation]

（5）[TRAINING]

（6）[Validation during training]

（7）[Data augmentation during traning]

（8）[INFERENCE]

（9）[EVALUATION]

1.NiftyNet层结构介绍

NiftyNet有很强的易用性,数据层,应用层,网络层等是完全独立的,

（1）数据层(NiftyNet/niftynet/io),负责医学图像的读取,目前读取器有以下几种:

• nibabel 支持 .nii医学文件格式
• simpleith 支持 .dcm和 .mhd格式的医疗图像
• opencv 支持 .jpg等常见图像读取，读取后通道顺序为BGR
• skimage 支持 .jpg等常见图像读取
• pillow 支持 .jpg等常见图像读取，通道顺序为RGB

（2）应用层(NiftyNet/niftynet/application),目前支持的应用有以下几种：

• 分割 (segmentation_application.py)
• 分类 (classification_application.py）
• Autoencoder
• Gan生成网络
• 回归

（3）网络层(NiftyNet/niftynet/network)，这个里面包含了已经实现的一些网络,resnet,dense_vnet,等,我们可以创建自己的网络结构后放在这个文件夹

 2.运行NiftyNet demo所需的指令格式

（1） 运行以下格式的命令可以使NiftyNet工作：

# command to run from git-cloned NiftyNet source code foldepython net_run.py [train|inference|evaluation] -c <path_to/config.ini> -a <application>

# command to run using pip-installed NiftyNet
net_run [train|inference|evaluation] -c <path_to/config.ini> -a <application>

train：train指令表明想要使用提供的数据更新已存在的网络模型

inference：inference将加载已存在的网络模型根据提供的数据生成响应

-c：后跟配置文件路径(有关配置文件的内容见第3个知识点)

-a：跟将要import的应用种类

（2）NiftyNet的应用层已经自带了5种应用，那么如何运行这些应用呢？

图像分割

# command
net_run -a niftynet.application.segmentation_application.SegmentationApplication -c ...
# alias(别名):
net_segment -c ...

图像回归

# command
net_run -a niftynet.application.regression_application.RegressionApplication -c ...
# alias(别名):
net_regress -c ...

自动编码器

# command
net_run -a niftynet.application.autoencoder_application.AutoencoderApplication -c ...
# alias(别名):
net_autoencoder -c ...

生成对抗网络

# command
net_run -a niftynet.application.gan_application.GANApplication -c ...
# alias(别名):
net_gan -c ...

3.配置文件部分参数介绍

（1）每个网络想要运行必须包含一个config.ini配置文件，用来设置训练/测试所用的全部参数，详细如下：

每个配置文件中必须包含三个sections:

* [SYSTEM]

* [NETWORK]

* [APPLICATION] (自己定义.如[SEGMENTATION],[GAN],等)

如果train行为被需要，则`[TRAINING]`和`[Input data source]`需要被定义，其中`[Input data source]`这个section可以自定义命名

如果inference行为被需要，则需要定义`[INFERENCE]`和`[Input data source]`，其中`[Input data source]`这个section可以自定义命名

以NiftyNet自带的分割脑部Demo为例子，其运行指令和配置文件如下图所示：

运行指令：

net_segment -c C:/niftynet/extensions/highres3dnet_brain_parcellation/highres3dnet_config_eval.ini 

配置文件如下：

[Modality0]
path_to_search = data/OASIS/
filename_contains = nii
spatial_window_size = (96, 96, 96)
interp_order = 0
pixdim = (1.0, 1.0, 1.0)
axcodes = (R, A, S)[SYSTEM]
cuda_devices = ""
model_dir = models/highres3dnet_brain_parcellation[NETWORK]
name = highres3dnet
batch_size = 1
activation_function = relu
volume_padding_size = 10

[Volume-normalisation]
whitening = True
normalisation = True
normalise_foreground_only=True
foreground_type = mean_plus
histogram_ref_file = databrain_std_hist_models_otsu.txt
cutoff = (0.001, 0.999)[INFERENCE]
border = 2
inference_iter = 33000
save_seg_dir = ./parcellation_output
output_interp_order = 0
spatial_window_size = (128, 128, 128)[SEGMENTATION]
image = Modality0
output_prob = False
num_classes = 160

（2）接下来让我们看看每个部分的参数的含义

 [Input data source]

* csv_file:  输入图像路径

* path_to_search: 搜索图像的单个或多个文件，如果有多个用逗号分开

* filename_contains:  匹配文件名的关键词

* filename_not_contains:  排除文件名的关键词

* filename_removefromid:  从文件命中抽取主题id的正则表达式，被匹配的模式将从文件名中移除并生成主题id。

* interp_order:  插值法，当设定采样方法为resize时，需要该参数对图片进行上采样或下采样，0表示最近插值，1表示双线性插值，3表示三次样条插值，默认为3

* pixdim：  如果被指定，输入volum在被喂给网络之前将被重采样成voxel尺寸

* axcodes：  如果被指定，输入volum在被喂给网络之前将被调整为坐标码(axes code)

* spatial_window_size:  输入到网络中的图片尺寸，需指明三个维度，第一个和第二个分别表示图片的长和宽，第三个如果为1表示使用2d卷积，否则使用3d卷积

* loader：  图片读取器，默认值None将尝试所有可得到的读取器

[System]

* cuda_devices:  设置tensorflow的CUDA_VISIBLE_DEVICES变量

* num_threads:  设置训练的预处理线程数

* num_gpus:  设置训练的GPU的数量

* model_dir:  训练模型的保存和加载路径

* dataset_split_file:  文件分配科目到子集

* event_handler:  事件处理器

[NETWORK]

* name:  niftynet/network中的网络类或用户自定义的模块

* activation_function:  网络的激活函数集合

* batch_size:  设置每次迭代图像窗口的数量

* smaller_final_batch_mode:  当batch_size的窗口采样器总数是不可见的时支持最后的batch使用不同的模式

　　可选类型有：

　　drop:  终止剩余的batch

　　pad: 用-1填补最后更小的batch

　　dynamic: 直接输出剩余的batch

* reg_type:  可训练的正规化参数的类型

* decay:  正规化的强度，用于预防过拟合

* volume_padding_size:  图片的填补值

* window_sampling:  进入网络的图片的采样方法

　　uniform:  输出的图片保持原本大小

　　weighted:  对成比例的voxel的采样到累积直方图的似然

　　balanced:  每个标签都被采样的可能性同样

　　resize:  将进入网络的图片首先resize到spatial_window_size

* queue_length:  NiftyNet会设置两个队列，一个负责从数据集中读取数据并扰乱，另一个从前一个队列中读取batch_size张图片输入网络，这个参数是指第一个队列的长度，最小值为batch_size \* 2.5

* keep_prob: 如果失活被网络支持的话，每个元素存活的可能性

[Volume-normalisation]

* normalisation:  指示直方图标准化是否应该被应用于数据

* whitening:  只是被加载的图片是否应该被增白，如果是，输入I，返回(I - mean(I)) / std(I)

* histogram_ref_file:  标准化参数的文件

* norm_file:  基于直方图的标准化的直方图landmark类型

* cutoff:  下级和上级的基于直方图的标准化的截断

* normalise_foreground_only:  指示一个mask是否需要被基于前景或多样前景进行计算，如设置True，所有的标准化步骤都将被应用于生成前景区

* foreground_type:  生成一个前景mask，并且它只用于前景

* mutimod_foreground_type:  结合前景mask和多模态的策略

　　可选类型：

　　or:  可得到的masks的合集

　　and:  可得到的mask的交集

　　all:  mask从每个模态独立计算

[TRAINING]

* optimiser:  计算图梯度优化器的类型，支持adagrade，adam，gradientdescent，momentum，rmsprop，nesterov

* sample_per_volume：每张图的采样次数

* lr:  学习率

* loss_type:  loss函数的类型，支持segmentation,regression,autoencoder,gan

* starting_iter:  设置重新训练模型的迭代次数

* save_every_n:  保存当前模型的频率，0为不保存

* tensorboard_every_n:  计算图中的元素和写到tensorboard上的频率

* max_iter:  最大训练迭代次数

[Validation during training]

* validation_every_n:  每n次迭代运行一次验证迭代

* validation_max_iter:  验证迭代运行的次数

* exclude_fraction_for_validation:  用于验证的数据集的比例

* exclude_fraction_for_inference:  用于推断的数据集的比例

[Data augmentation during traning] 

* rotation_angle:  指示输入的图片旋转一个随机的旋转

* scaling_percentage:  指示一个随机的缩放比例(-50,50)

* random_flipping_axes:  可以翻转增强数据的轴

[INFERENCE]

* spatial_window_size:  指示输入窗口的大小(int array)

* border:  一个用于修剪输出窗口大小的边界值(int tuple)，如设置(3,3,3)，将把一个(64\*64\*64)的窗口修剪为(58\*58\*58)

* inference_iter:  指定已训练的模型用于推测(integer)

* save_seg_dir:  预测目录的名字

* output_postfix:  向每一个输出文件的名称后添加后缀

* output_interp_order:  网络输出的推断顺序

* dataset_to_infer:  字符串指定计算推理的数据集（‘training’, ‘validation’, ‘inference’）

[EVALUATION]  

* save_csv_dir:  存储输出的csv文件的路径

* evaluations:  要计算的评价指标列表以逗号分隔的字符串表示，每个应用程序可能的评估指标列表可用于回归评估、分段评估和分类评估

* evaluation_units:  描述在分割的情况下应该如何进行评估，foreground:  只对一个标签 ，label：对每一个标签度量，cc:  对每个连接组件度量

参考：https://blog.csdn.net/PKnotnull/article/details/80378824#inference

以上就是本次有关Niftynet的相关知识学习，欢迎交流！