sMRI影像数据3维CNN卷积

import nibabel as nib
import scipy.io as sio
import torch.optim as optim
from torch.utils import Dataset
from torch.utils.data import DataLoader
from sklearn.model_selection import LeaveOneOut

torch.utils.data.DataLoader 为Pytorch 数据读取的重要接口，接口定义在dataloader.py 脚本，用Pytorch训练模型必须调用此接口，该接口用于自定义的数据接口的输出，或者Pytorch已有的数据读取接口的输入 按照batch_size封装成Tensor，后续只需要在包装成variable 即作为模型输入，此接口为数据的承上、启下。

class TensorDataset(Dataset):
    def __init__(self,data_tensor,target_tensor):
         self.data_tensor=data_tensor
         self.target_tensor=target_tensor
    def __getitem__(self,index):
    	return self.data_tensor[index],self.target_tensor[index]
    def __len__(self):
    	return self.data_tensor.size(0) 

TensorDataset 继承Dataset,重载__init__,getitem,len;共用类，数据集写入后共同继承，写入形式 data_tensor,target_tensor,得出data的索引，data的长度。

def read_data():
	data=nib.load(path)
	return data

data_dir='your_data_path'
data_list = os.listdir(data_dir)
data=np.ones((30,121,145,121))#输入sMRI为nii，维度121*145*121，共30例数据，构建data的容器
for i in range(0,len(data_list)):
	path = os.path.join(data_dir,data_list[i])
	if os.path.isfile(path):
		temp=read_data(path).get_data()
		temp=torch.form_numpy(temp)
		temp=temp.type(torch.FloatTensor)#array转为tensor
		temp=temp.premute(2,1,0)#对数据形式转换
		data[i,:,:,:]=temp#temp 赋值给data后三维
label=np.ones([30,1])
label([0:19])=0
label=torch.LongTensor(label)

完成数据集构造
定义CNN卷积层

class Net(nn.Module):
    def __init__(self):
        super(Net,self).__init__()
        """in_channels=?  nn.Linear(?,) 输入格式：样本数量*通道数*宽*高*帧数&