3D-SKIPDENSESEG医学图像分割

蓝色三角、黄色三角、红色三角相对应。
得到第三个feature map，绿色反卷积会恢复到原来的尺寸
Dense block，通道增加了
Transition，池化

用正则表达式把里面的h5文件匹配一下吧
os.path.join()把两个部分的路径拼一下
root_path —data_train
*.h5，不管名字是什么，只要后缀是h5，就把它匹配一下
glob，遍历所有.h5文件
得到data_train里面的八个subject

mode，数据集处理的是训练集or测试集or验证集，用一个标志位键区别一下。传进来的是train，就知道对training dataset进行一个处理

数据扩充，尽量保持原始数据
前提是训练数据，验证集不能扩充，验证集扩充，准确率就没有意义了

有可能传进来的，是对测试集和验证集处理

知道长度了，给我一个索引，返回一个训练样本

要转成64 * 64 * 64固定大小的patch

得到这样的数据

需要64 64 64，还需要什么，还需要一个batch_size，batch_size个patch，去掉一个维度

去掉第二个维度，其余不变

为什么记录长宽高，我们要从不固定大小的脑图像中裁patch

裁的开始位置是有讲究的

T1和T2两个特征，data_x不需要去维度了

cx是C的起始位置，cy是H的起始位置，cz是W的起始位置。0,1,2维度

为什么要随机裁，不从0开始
每一轮迭代的过程中，都希望从样本中取一个数据，每次从样本里取一个patch，如果每次从0开始取的话，就不能遍历脑图像的所有区域了。所以通过随机值的方式随机地取一个patch，如果训练轮数足够多的话，理论上是可以把闹图像的所有区域遍历到。

裁的开始位置是cx，结束位置，这个维度的

不直接传一个数字，往往我们需要64 48 32，所以体现这样写的用意了

为什么是0，限制返回的结果是一个，一条索引返回一个数据
batch_size的维度一定要相同，

验证集取中心位置，每一个iteration都是这个位置，验证集才有价值。如果每轮patch都在变的话，验证就失去价值了

模块注册
Sequential、ModuleList 自动注册
add_module 手动注册

调用父类的forward函数，就可以把这个流程跑一遍，是因为我们已经手动地把这些模块自动注册了

遍历每一个模块，如果是卷积操作的话，用正态分布这种初始化方式

为什么用ModuleList，它的索引是可以利用上的，第一轮循环的时候，i = 0的时候，放到upsampling list就是第一个元素，i = 1的时候，第二个元素，非常方便，通过它的索引去取，并且，取到的时候可以还原kernel_size的大小

通道从2到32

3D-SKIPDENSESEG医学图像分割相关推荐

三维重建阈值分割 3D可视化医学图像分割 CT图像分割及重建系统可视化编程技术及应用
一. 概述此系统实现了常见的VTK四视图,实现了很好的CT图像分割,可以用于骨骼,头部,肺部,脂肪等分割,,并且通过三维重建实现可视化.使用了第三方库 VTK,ITK 实现分割和生不重建. 窗口分为 ...
医学图像分割之MedNeXt
论文:MedNeXt: Transformer-driven Scaling of ConvNets for Medical Image Segmentation ConvNeXt网络是一种借鉴Tra ...
DeepMedic —— 一种经典的医学图像分割的3D CNN框架
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明. 本文链接:https://blog.csdn.net/JYZhang_CVML/article ...
半监督3D医学图像分割（三）：URPC
Efficient Semi-supervised Gross Target Volume of Nasopharyngeal Carcinoma Segmentation via Uncertain ...
深度学习实战（十）：使用 PyTorch 进行 3D 医学图像分割
深度学习实战(十):使用 PyTorch 进行 3D 医学图像分割 1. 项目简介 2. 3D医学图像分割的需求 3. 医学图像和MRI 4. 三维医学图像表示 5. 3D-Unet模型 5.1损失函 ...
（新SOTA）UNETR++：轻量级的、高效、准确的共享权重的3D医学图像分割
(新SOTA)UNETR++:轻量级的.高效.准确的共享权重的3D医学图像分割 0 Abstract 由于Transformer模型的成功,最近的工作研究了它们在3D医学分割任务中的适用性.在Tran ...
半监督3D医学图像分割（四）：SASSNet
形状感知半监督医学图像分割 Shape-aware Semi-supervised 3D Semantic Segmentation for Medical Images 研究背景随着人工智能技术在 ...
医学图像分割 3D nnUNet全流程快速实现
前言 nnUNet作为医学图像分割的各项SOTA实现的基础框架,基本是所有医学图像分割的研究者需要掌握的方法.作为一个集成的框架,nnUNet基本上只需将个人的数据集处理成nnUNet所需要的格式即可 ...
用NVIDIA Tensor Cores和TensorFlow 2加速医学图像分割
用NVIDIA Tensor Cores和TensorFlow 2加速医学图像分割 Accelerating Medical Image Segmentation with NVIDIA Tensor ...
Unet神经网络为什么会在医学图像分割表现好？
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达问题:Unet神经网络为什么会在医学图像分割表现好? https: ...

3D-SKIPDENSESEG医学图像分割

3D-SKIPDENSESEG医学图像分割相关推荐

最新文章

热门文章