NiftyNet开源平台的使用 -- 配置文件

NiftyNet开源平台的使用

NiftyNet基础架构是使研究人员能够快速开发和分发用于分割、回归、图像生成和表示学习应用程序,或将平台扩展到新的应用程序的深度学习解决方案。

详细介绍请见: (https://www.cnblogs.com/zhhfan/p/9800473.html) 官网 (https://niftynet.readthedocs.io/en/latest/config_spec.html)

NiftyNet工作流可以由NiftyNet应用程序和配置文件完全指定。 运行工作流的命令是:

python net_run.py [train|inference|evaluation] -c <path_to/config.ini> -a <application>

使用train指令表明想要使用提供的数据更新已存在的网络模型,使用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,-a 跟将要import的应用种类。

application参数 图像分割

net_segment -c ...

图像回归

net_regress -c ...

自动编码

net_autoencoder -c ...

生成对抗网络(GANs)

net_gan -c ...

net_run命令也支持命令行参数,以`--<name> <value>`或`--<name>=<value>`的形式表示。输入的参数将取代系统默认的和配置文件中的参数。

配置文件

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]

如果train行为被需要,则`[TRAINING]`section需要被定义,同样,如果inference行为被需要,则需要定义`[INFERENCE]`。 [APPLICATION]由自己定制,可以使用的有: * `[GAN]` -- 生成对抗网络 * `[SEGMENTATION]` -- 分割网络 * `[REGRESSION]` -- 回归网络 * `[AUTOENCODER]` -- 自动编码网络

每个section的参数

[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   读取器支持的类型有:   nibabel 支持.nii医学文件格式   simpleitk 支持.dcm和.mhd格式的医疗图像   opencv 支持.jpg等常见图像,读取后通道顺序为BGR   skimage 支持.jpg等常见图像   pillow 支持.jpg等常见图像,读取后通道顺序为RGB

[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

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券