- 博客(9)
- 收藏
- 关注
RSS订阅原创 nnUnet(代码)-训练部分
学习目标：逐步分析nnunet训练部分学习内容：training部分· 拿到训练plans（计划）· 初始化数据增强参数· 采用五折交叉验证· dataset与dataloader/数据加载过程· 初始化网络· 初始化优化器与学习率函数1.nnUNetTrainer(版本一的训练方法)··· 损失函数：self.loss = DC_and_CE_loss({'batch_dice': self.batch_dice, 'smooth': 1e-5, 'do_bg': False}, {}
2021-04-30 16:06:45
3207
原创 损失函数理解（基于one-hot的focalloss）
学习目标：· 搞清楚损失函数的运作流程（基于pytorch）· 手写个Focalloss· 搞清楚底层nn.Module原理损失函数类：1、 搭建损失函数类，继承nn.Module2、 重写forward方法, forward方法输入即为网络预测值与真实标签3、 返回即损失的值4、 里面的运输都是张量的运算并且都在cuda环境下，注意有时候申请变量会是在cpu环境而引发错误，forward过程即损失前馈过程，对于如何方向传播，哪些变量是会自动求导的，需要后续看看nn.Module源码。基于
2021-04-08 17:12:06
974
原创 常见的医疗数据归类
DICOM和NIFTI：DICOM类型的文件后缀为dcm，常用的python处理库有：SimpleITK, pydicom库 。NIFTI类型型的文件后缀为nii或nii.gz(压缩格式)，常用的python处理库有：SimpleITK, nibabel库。对于nii格式的图片，SimpleITK,nibabel中常用的api接口，都会自动的进行上述转化过程，即取出来的值已经是Hu了。对于dcm格式的图片，SimpleITK, pydicom常用的api接口都不会将原始数据自动转化为Hu！！(itk
2021-03-26 17:44:05
1642
1
原创 nnUNet（代码）-预处理
任务一：（论文）Automated Design of Deep Learning Methods for Biomedical Image Segmentation // nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation Fabian1.背景动机：简单来说医疗数据尤其是在3D医学图像领域，遇到图片质量、图片模态、图片大小、体素大小、类别比率差别都会产生巨大的效果落差。大部分专
2020-12-19 10:44:57
13661
7
原创 2020-12-07（nnUNet_1）
CSD2017：一.数据集:来自LUNA16· annotation.csv：包含注解的csv文件，注解用作“结节检测”轨道的参考标准，每行包含一个发现。每行都包含扫描的SeriesInstanceUID，每个发现在世界坐标中的x，y和z位置；以及相应的直径（毫米）。注释文件包含1186个结节。· subset0.zip 到 subset9.zip：包含所有CT图像的10个zip文件· seg-lungs-LUNA16：在每个子集中，CT图像以MetaImage（mhd / raw）格式存储。每个
2020-12-12 10:46:29
2267
原创 初始化、正则化调试（基于简单Linear，pytorch）
一.权重初始化（正态分布可以加速学习）：初始化权重，使其数据保持标准差在1左右以防止梯度消失或者爆炸，在卷积神经网络中常用，pytorch直接默认了自定义初始化权重import torch.nn as nnimport torchclass Network(nn.Module): def __init__(self): super().__init__() self.Conv2d = nn.Conv2d(3, 10) self.bn = n
2020-11-21 17:08:52
1007
原创 入门Unet：自己总结方便后面回看
入门Unet网络学习第一部分：网络的结构Unet_part.py：目的：实现Unet网络中需要用到的几个基础类：大部分的解释在代码中：import torchimport torch.nn.functional as Fclass DoubleConv(torch.nn.Module): def __init__(self, in_ch, out_ch): super(DoubleConv, self).__init__() self.double
2020-10-16 00:00:43
2271
5
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人