cascade MRI reconstruction:evaluate

最新推荐文章于 2023-07-05 17:26:12 发布
最新推荐文章于 2023-07-05 17:26:12 发布
阅读量268 收藏 1
点赞数
分类专栏： MR图像重建 文章标签： pytorch 深度学习 tensorflow
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xuru_0927/article/details/119272215
版权

evaluate

CascadeNetwork(
  (block): Sequential(
    (0): ResnetBlock(
      (layers): Sequential(
        (0): Conv2d(2, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (1): ReLU()
        (2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (3): ReLU()
        (4): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (5): ReLU()
        (6): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (7): ReLU()
        (8): Conv2d(128, 2, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      )
    )
    (1): DataConsistency()
    (2): ResnetBlock(
      (layers): Sequential(
        (0): Conv2d(2, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (1): ReLU()
        (2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (3): ReLU()
        (4): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (5): ReLU()
        (6): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (7): ReLU()
        (8): Conv2d(128, 2, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      )
    )
    (3): DataConsistency()
    (4): ResnetBlock(
      (layers): Sequential(
        (0): Conv2d(2, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (1): ReLU()
        (2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (3): ReLU()
        (4): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (5): ReLU()
        (6): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (7): ReLU()
        (8): Conv2d(128, 2, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      )
    )
    (5): DataConsistency()
    (6): ResnetBlock(
      (layers): Sequential(
        (0): Conv2d(2, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (1): ReLU()
        (2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (3): ReLU()
        (4): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (5): ReLU()
        (6): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (7): ReLU()
        (8): Conv2d(128, 2, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      )
    )
    (7): DataConsistency()
    (8): ResnetBlock(
      (layers): Sequential(
        (0): Conv2d(2, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (1): ReLU()
        (2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (3): ReLU()
        (4): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (5): ReLU()
        (6): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (7): ReLU()
        (8): Conv2d(128, 2, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      )
    )
    (9): DataConsistency()
    (10): ResnetBlock(
      (layers): Sequential(
        (0): Conv2d(2, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (1): ReLU()
        (2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (3): ReLU()
        (4): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (5): ReLU()
        (6): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (7): ReLU()
        (8): Conv2d(128, 2, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      )
    )
    (11): DataConsistency()
  )
)

         gund = back_format(batch['image'].cpu().detach().numpy())
        output = model(batch)
        loss = criterion(output['image'], batch['full'])
        # mse += loss.item()  * 1000
        mse += loss.item()
        pred = back_format(output['image'].cpu().detach().numpy())
        grnd = back_format(batch['full'].cpu().detach().numpy())
        base_psnr += complex_psnr(grnd, gund)
        test_psnr += complex_psnr(grnd, pred)
        ssim_score += ssim(pred, grnd)
        if draw:
            pred = pred[0] # (256, 256)
            grnd = grnd[0]
            err = np.abs(pred - grnd) ** 2
            err -= err.min()
            err /= err.max()
            err *= 255
            err = err.astype(np.uint8)
            err = cv2.applyColorMap(err, 2)
            plt.imsave(os.path.join(kwargs['output_path'], str(i) + '.png'), err)

Input

fully-sampled image

a = back_format(batch['full'].cpu().detach().numpy())

a = np.abs(np.squeeze(a)) # (256, 256)
plt.imshow(a)
plt.colorbar()
plt.axis(False)

a
在这里插入图片描述
在这里插入图片描述

undersampled image

b = back_format(batch[‘image’].cpu().detach().numpy())
在这里插入图片描述
在这里插入图片描述

under sampled k-space

#因为batch['k']是(1,256,256,2)，.permute(0, 3, 1, 2)转成(1,2,256,256)
c=back_format(batch['k'].permute(0, 3, 1, 2).cpu().detach().numpy())
c = np.abs(np.squeeze(c))
plt.imshow(np.log10(c+1e-17))
plt.colorbar()
plt.axis(False)

在这里插入图片描述
在这里插入图片描述

4X sampling mask

d=back_format(batch['mask'].permute(0, 3, 1, 2).cpu().detach().numpy())
d = np.abs(np.squeeze(d))
plt.imshow(np.log10(d+1e-17))
plt.colorbar()
plt.axis(False)

4倍加速，256/4 = 64条红线
在这里插入图片描述
在这里插入图片描述

fully k-space

e1 = batch['full'].permute(0, 2, 3, 1)
e2 = torch.fft(e1, signal_ndim=2, normalized=True)
e=back_format(e2.permute(0, 3, 1, 2).cpu().detach().numpy())
e = np.abs(np.squeeze(e))
plt.imshow(np.log10(e+1e-17))
plt.colorbar()
plt.axis(False)

在这里插入图片描述
在这里插入图片描述

Output

reconstructed image

f = back_format(out['image'].cpu().detach().numpy())
f = np.abs(np.squeeze(f))
plt.imshow(f)
plt.colorbar()
plt.axis(False)

在这里插入图片描述

reconstructed k-space

g1 = out['image'].permute(0, 2, 3, 1)
g2 = torch.fft(g1, signal_ndim=2, normalized=True)
g=back_format(g2.permute(0, 3, 1, 2).cpu().detach().numpy())
g = np.abs(np.squeeze(g))
plt.imshow(np.log10(g+1e-17),cmap='Greys')
plt.colorbar()
plt.axis(False)
plt.show()

在这里插入图片描述
在这里插入图片描述

calculate PSNR

a = back_format(batch['image'].cpu().detach().numpy())
b = back_format(out['image'].cpu().detach().numpy())
c = back_format(batch['full'].cpu().detach().numpy())

base_psnr += complex_psnr(c, a)
test_psnr += complex_psnr(c, b)

def complex_psnr(x, y, peak='normalized'):
    '''
    x: reference image
    y: reconstructed image
    peak: normalised or max
    Notice that ``abs'' squares
    Be careful with the order, since peak intensity is taken from the reference
    image (taking from reconstruction yields a different value).
    '''
    # mse = np.mean(np.abs(x - y)**2)
    mse = np.square(np.abs(np.subtract(x, y))).mean()
    if peak == 'max':
        return 10*np.log10(np.max(np.abs(x))**2/mse)
    else:
        return 10*np.log10(1./mse)

base_psnr

#注意这里的a，要提前copy.copy(batch),不然重建出来的会覆盖掉battch['image']
base_square = np.abs(c - a)**2
base_square = np.squeeze(base_square)
plt.imshow(base_square)
plt.colorbar()
plt.axis(False)

在这里插入图片描述
在这里插入图片描述

base_mse = np.mean(np.abs(c - a)**2)

Out[70]: 0.0014865209

10*np.log10(1./base_mse)
Out[74]: 28.278289906022586

test_psnr

test_square = np.abs(c - b)**2
test_square = np.squeeze(test_square)
plt.imshow(test_square)
plt.colorbar()
plt.axis(False)

在这里插入图片描述
在这里插入图片描述

test_mse = np.mean(np.abs(c - b)**2)

Out[97]: 7.805396e-05

10*np.log10(1./test_mse)
Out[98]: 41.07605041353657

calculate SSIM

def ssim(x, y):
    score = 0
    for i in range(x.shape[0]):
        tempx = np.abs(x[i])
        tempy = np.abs(y[i])
        # score += compare_ssim(tempx, tempy)
        score += structural_similarity(tempx, tempy)
    score /= x.shape[0]
    return score

ssim(pred, grnd)
Out[99]: 0.989175586596038

draw error image

base_error

complex_psnr(grnd, gund)
Out[21]: 28.278289906022586

gund = gund[0]
grnd = grnd[0]
base_err = np.abs(gund - grnd) ** 2 # (256, 256)
plt.imshow(base_err)
plt.colorbar()
plt.axis(False)

在这里插入图片描述

base_err -= base_err.min()
plt.imshow(base_err2)
plt.colorbar()
plt.axis(False)

在这里插入图片描述

base_err /= base_err.max()
plt.imshow(base_err)
plt.colorbar()
plt.axis(False)

在这里插入图片描述

base_err *= 255 # (256, 256) float32
plt.imshow(base_err)
plt.colorbar()
plt.axis(False)

在这里插入图片描述

base_err = base_err.astype(np.uint8) # (256, 256) uint8
plt.imshow(base_err)
plt.colorbar()
plt.axis(False)

在这里插入图片描述

base_err = cv2.applyColorMap(base_err, 2)
plt.imshow(base_err)
plt.colorbar()
plt.axis(False)

在这里插入图片描述

test_error

complex_psnr(grnd, pred)
Out[41]: 41.07605041353657

pred = pred[0]
grnd = grnd[0]
test_err = np.abs(pred - grnd) ** 2 # (256, 256)
plt.imshow(test_err)
plt.colorbar()
plt.axis(False)

在这里插入图片描述

test_err -= test_err.min()
plt.imshow(test_err)
plt.colorbar()
plt.axis(False)

在这里插入图片描述

test_err /= test_err.max()
plt.imshow(test_err)
plt.colorbar()
plt.axis(False)

在这里插入图片描述

test_err *= 255 # (256, 256) float32
plt.imshow(test_err)
plt.colorbar()
plt.axis(False)

在这里插入图片描述

test_err = test_err.astype(np.uint8) # (256, 256) uint8
plt.imshow(test_err)
plt.colorbar()
plt.axis(False)

在这里插入图片描述

test_err = cv2.applyColorMap(test_err, 2)
plt.imshow(test_err)
plt.colorbar()
plt.axis(False)

在这里插入图片描述

model(batch)流程

在这里插入图片描述
在这里插入图片描述

敲代码的妹子
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
cascade-server:CASCADE服务器
05-01
级联CASCADE是MITER的一个研究项目，旨在使“蓝队”团队执行的大量调查工作自动化，以使用主机数据确定网络上可疑行为的范围和恶意程度。 该存储库中包含的原型CASCADE服务器具有处理用户身份验证，运行分析和执行...
MICCAI 2022中的医学扩散模型
idol24的博客
01-11 2099
来源：知乎—JunMa地址：https://zhuanlan.zhihu.com/p/569555913没有意外，diffusion model的热浪也涌入了医学图像，这是今年MICCAI看到的几篇有意思的文章。申明：由于笔者视野狭窄以及精力不足，一定错过了不少优秀的扩散模型相关的MICCAI文章，请大佬们评论区补充。文字内容是个人理解，请带着批评和质疑阅读，不要全信。任务介绍：给定起始时间心脏M...
ADPCM文件解码详解
liuruihan的专栏
05-22 2万+
本文转自：http://hi.baidu.com/sunsee/item/68d61e451921e30ec016134a
python 如何遍历图像
穿拖鞋的都是大佬
11-05 3479
pred 输入为 1* 2 * 256 * 256 的tensor pred = pred.numpy()#tensor转为数组 pred = np.squeeze(pred)#把第一维去掉 pred = np.transpose(pred, [1, 2, 0])#改变 维度顺序 256 * 256 * 2 pred0=pred[:,:,0] 取第一通道 pred0 = pred0 * 10 pred0 = np.array(pred0, np.uint8)
机器篇——集成学习(九) 细说 hotel_pred 项目(酒店预测)
天下所弃，不过其纪。世间事，在人，在志。
01-27 7093
返回主目录 返回集成学习目录 上一章：机器篇——集成学习(八)细说 ball49_pred 项目(彩票预测) 本小节，细说 hotel_pred 项目(酒店预测) 三. 项目解说 9. hotel_pred 项目(预测两个来源的酒店，是否同一家) 本章节项目 github 地址:hotel_pred 项目 通过做前面的项目，还有之前算法中的代...
死磕JDK源码之LinkedList
weixin_30556959的博客
04-21 2277
LinkedList LinkedList底层是基于双向链表实现的 内置插入删除方法 linkFirst & linkLast unlinkFirst & unlinkLast linkBefore unlink 源码分析 1 package java.util; 2 import java.util.function...
cascade-select:ReactCascadeSelect
05-01
在线示例： http : //react-component.github.io/cascade-select/build/examples/ 阿皮 CascadeSelect道具 名称 类型 默认 描述 班级名称 细绳 根dom节点的其他CSS类 价值 细绳[] [] 当前值（如输入值） all...
cascade-stereo:级联立体声
05-01
Casacde-Stereo（CVPR2020口服） 高分辨率多视图立体声和立体声匹配的纸质级联成本量的官方源代码， 安装要求python 3.6 火炬== 1.2 CUDA> = 9.0 pip install -r requirements.txt --user选项：Apex 安装apex以启用...
social_reconstruction:图数据挖掘
07-05
##About 这是一个重建电影社交网络的研究项目。 ＃＃要求 Python 2.7 OpenCV 图数据库：neo4j ＃＃目标 输入：1. 电影文件 2. 关键字文件（名称或关系） 3. 字幕文件 输出：1. 关系图（json） 2....
Cascade_Reconstruction
04-19
级联重建钟元红，陈霞，姜金阳，范仁等“具有泛化能力评估的视频异常检测级联重建模型”的Tensorflow实现。数据集USCD Ped2 [] 中大大道[] ShanghaiTech [] 这些数据集来自“用于异常检测的未来帧预测-新基准（CVPR ...
LRTV: MR Image Super-Resolution
12-01
MRI图像超分辨率，采用低秩全变分算法，发表于IEEE Transations on Medical Imaging2015
JDBC(二)：使用parpredstatement方法连接数据库
RadNICkMan的博客
02-29 567
java public class ParparedStatement { public static void main(String[] args) { Connection conn = null; PreparedStatement ps = null; // --1.加载驱动 try { Class.forName(“com.mysql.jdbc.Driver”); } catch (C...
ffmpeg libx264 h264_nvenc 编码参数解析
热门推荐
Eric's Blog
02-26 3万+
主要AVOptions 公有AVOptions -preset 主要用来调节编码速度和质量的平衡，虽然libx264和h264_nvenc都有此参数，但是该参数的可选项却不完全相同： preset是通过设置一系列编码参数来实现调节编码速度和质量的效果的， e.g. -preset faster 是做了如下设置 --no-mixed-refs --rc-lookahead 20 --ref 2 --...
手写数字mnist识别---手撸网络层入门
整天梦游的小jerry
03-08 2413
本文使用Tensorflow1.14.0搭建超简单的网络进行mnist手写体识别。第一节代码片段讲解，第二节附完整代码。
八、将标签尺寸label_shape（8,256,256），调整成预测尺寸pred_shape(8,2,256,256)
panchang199266的博客
03-30 1559
下面代码仅适用于二分类算法。
一、使用paddleseg套件对遥感影像预测（基础）
吻水的鱼儿
02-10 3133
一、使用paddleseg套件对遥感影像预测（基础） 目前paddleseg套件中的predict.py代码文件还不支持直接对遥感影像（大图）做预测，或者说把遥感大图直接丢进predict.py，它的预测效果非常差。 基于以上问题，本文结合paddleseg中predict.py源码和这篇博文代码（遥感语义分割切图预测之后再拼接）重新写了predict.py代码，希望可以帮助到使用飞桨框架做遥感影像语义分割的朋友，所以这里需要你会使用paddleseg套件或者对paddleseg源码有所了解，这里有位博主写
TCSP代码的预测值y_pred为nan的原因排查
最新发布
m0_61688615的博客
07-05 291
标签有NAN了，梯度肯定也是NAN，那更新梯度的时候，模型的参数肯定也NAN了，但凡只要一个样本有一个nan，那后面肯定就全完蛋了。我们发现最开始的时候，并不是NAN，是都有数据的。但是多推理几次就完蛋了，从encoder开始就是NAN了， 此时输入和那一层的输入确实又不是NAN。总的来说，输出NAN的情况，基本都要么是输入就有NAN，要么是反向传播的时候梯度NAN了。5.打印model的每一步输出，发现mode的第一层的结果w_hs就为nan。打印发现encode的输入，是包含nan的。
A Hybrid, Dual Domain, Cascade of Convolutional Neural Networks for MRI Reconstruction
FengF2017的博客
02-04 952
用于核磁共振影像重建的双域混合学习级联卷积网络 1. 论文信息 论文标题： A Hybrid, Dual Domain, Cascade of Convolutional Neural Networks for Magnetic Resonance Image Reconstruction 论文来源： MIDL 2019 论文链接： http://proceedings.mlr.press/v102/souza19a/souza19a.pdf 代码来源： https://github.com/rmsouza
softmax,log_softmx,nll_loss和CELoss之间的关系
一千零一夜的博客
01-18 505
softmax,log_softmx,nll_loss和CELoss之间的关系

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值