Sweety_Lin的博客

PET晶体

MPR 多层面重建

任务描述：临床特征 和 影像组学特征 保存在 excel 文件中，需要进行 特征筛选，然后再将筛选出来的特征利用逻辑回归进行二分类。有如下几个问题和需求： 1. excel 中的特征都是以 str 的形式写入表格中的，读取的时候要转换成数字形式；特征之间的尺度不一样，读取出来之后需要按列进行归一化；2. excel 中保存的标签为符号格式：IA, MIA, AAH,...

原始图像为dicom格式，mask图像为nrrd格式，单个subject影像组学特征提取

import osdef count_file_number(filepath, filetype): count = 0 for root, dirname, filenames in os.walk(filepath): for filename in filenames: if os.path.splitext(filename)[1] == filetype: count += 1 return .

import SimpleITK as sitkimport osdef dcmseries2nrrd(filepath, subID): datapath = os.path.join(filepath, subID) dcms_name = sitk.ImageSeriesReader.GetGDCMSeriesFileNames(datapath) dcms_read = sitk.ImageSeriesReader() dcms_read.SetFileNa.

任务描述现在想预测一个项目的 profit，影响 profit 的变量主要有以下三个：R & D profitAdministrationMarketing Spend数据信息这些数据保存在excel表格里格式如下（部分数据）：数据链接????：Multiple-Linear-Regression dataset借助散点图来看一下每种因素与 profit 的相关趋势从散点图中可以看出，R&D spend 以及 marketing spen.

如下图所示的 excel 文件，想跳过标题行，读取数据矩阵：代码如下：import numpy as npimport xlrdfrom sklearn import preprocessingdef excel_to_matrix(path, data_norm=True): table = xlrd.open_workbook(path).sheets()[0] row = table.nrows col = table.ncols datama.

需要解决的问题：1. 逐行读取 txt 文件中的训练记录2. 提取 每行中的 loss、epoch 数据信息3. 针对每个 epoch 的多个 batch 计算一个 mean_losstrain_log 中的数据信息和格式：Python 代码import reimport matplotlib.pyplot as pltimport os.path as ospfullpath = osp.abspath('./train_log.txt')filedir,

问题描述 三门问题，亦称为蒙提霍尔问题（Monty Hall problem），出自美国的电视游戏节目Let's Make a Deal。问题名字来自该节目的主持人蒙提·霍尔（Monty Hall）。参赛者会看见三扇关闭了的门，其中一扇的后面有一辆汽车，选中后面有车的那扇门可赢得该汽车，另外两扇门后面则各藏有一只山羊。当参赛者选定了一扇门，但未去开启它的时候，节目主持人开启剩下两扇门的其中一扇，露出其中一只山羊。主持人其后会问参赛者要不要换另一扇仍然关上的门。问题是：换另一扇门是否会增加参...

1. 混淆矩阵：TP，TN，FP，FNTP：true positive，实际为正例，预测为正例TN：true negative，实际为负例，预测为负例FP：false positive，实际为负例，预测为正例FN：false negative，实际为正例，预测为负例2. precision, recall，F1，PR曲线precision：精确率、查准率，预测为正例的样本中，实际为正例的样本所占的...

# 1. ROC 计算产生 fpr, tpr, thresholdfpr, tpr, thresholds = roc_curve(label, pred)# 2. 指定要写入的文件名(csv无需自己创建)file_name = 'fpr_tpr_threshold.csv'# 3. 写入csvfile = open(file_name, 'wt', encoding="UTF8")writer = csv.writer(csvfile, delimiter=",")# 标题行写入he.

1. ResNet 提出的背景深层卷积神经网络在图像分类领域取得了很多很棒的进展，因为随着网络层次的加深，feature level 从 low--mid--high 逐步得到丰富，但是通过简单堆叠多层网络真的可以学的更好吗？（Is learning better networks as easy as stacking more layers? ）答案是否定的。随着网络层次的加深，会出现两个问题：1）梯度消失/爆炸 （vanishing/exploding gardient）...

运行一个网络的 training code 时遇到错误：> E fixture 'cfg' not found> available fixtures: cache, capfd, capfdbinary, caplog, capsys, capsysbinary, doctest_namespace, monkeypatch, pytestconfig, record_property, record_testsuite_property, record_xml_attribute,

import matplotlibmatplotlib.use('Agg')# 使程序运行过程中不显示图形窗口import matplotlib.pyplot as plttrainHist, valHist = training.trainNetwork(...)plt.xlabel('epoch')plt.ylabel('loss')plt.plot(valHist, label='validation loss')plt.plot(trainHist, label='trai.

import numpy as npimport cv2# 如果没有安装 cv2 模块，可以使用命令 # pip install opencv-python==4.4.0.46 来安装# 其中 4.4.0.46 是 Opencv 的版本listdata = [[1, 0, 1], [0, 1, 0], [0, 0, 1]]image_arr = np.array(listdata)cv2.imwrite("filename.png", image_arr)...

import nibabel as nibimport numpy as np# 首先读取nii文件并完成维度转换和NAN值替换path='../data/'fileName='lactate.nii'data = nib.load(path+fileName).get_fdata()data = data.transpose(2, 0, 1)dataTest = np.nan_to_num(data)# 某任务产生了新的listdataTestGT=np.mean(dataTest.

import scipy.io as iotrainHist, valHist = training.trainNetwork(...)# 要保存的变量应该是numpy array# 如果不是，比如保存的时候报错为“list”# 则要先转换为numpy array# data = np.array(data)mat_path = '../losssave/train_loss_N2V.mat'io.savemat(mat_path, {'train_loss': trainHist}).

import nibabel as nibimport numpy as nppath='../data/'fileName='wr_Lac_78.nii'data = nib.load(path+fileName).get_fdata()data = data.transpose(2, 0, 1)data = np.nan_to_num(data)print(np.shape(data))

之前在文章：https://blog.csdn.net/Sweety_Lin/article/details/104199580 中写的DICE计算程序，是将Nii的整个volume计算在内，现想提取T2中有lesion的特定层面来计算DICE：import nibabel as nibimport scipy.io as ioimport osimport numpy as npi...