本文介绍了如何从U-Net网络中提取深度学习特征，包括在模型定义中添加特征返回、捕获特征、修改dataloader以获取图像名称，并将特征保存在features.txt中。这些特征可用于图像分类和分割任务，结合传统组学方法可进一步提升模型性能。文章还提到了不同验证方法和任务难度与论文水平的关系，以及相关服务的费用详情。
影像组学路径图
深度学习特征提取
1.选定需要提取特征的layer, 在定义网络结构的py文件里（比如resnet.py）找到forward函数，将其表示为features后return出来，如下图所示（以U-Net为例）：
我这里选择提取在U-Net中第三次下采样后再进行卷积的特征。由于特征的维度较大，为了方便查看输出，可以对特征进行maxpooling操作。
2.在forward函数里return出特征后，需要在train.py文件中将features接住。如下所示：
3.同时，为了查看输出特征所对应的name,需要对dataloader函数进行修改。即在__get__item（）函数中return每个特征对应的image_name。如下图所示：
最低0.47元/天 解锁文章
扫一扫
1874
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
