qq_15054345的博客

dcm文件转nii.gz文件

源码（参考自：PyTorch模型性能分析、优化及部署 (aliyun.com)）：def analysis(): from torch.profiler import profile, tensorboard_trace_handler import time img_size = [96, 96, 96] model = VAN(img_size=img_size, in_chans=4, num_classes=3) model.eval() in

直接按字母x即可。这方法是我在一个医学图像处理群学到的，但总是记不住，特写下博客做个笔记

使用Keras中的summary()函数即可对模型内部的层数进行可视化，pytorch选手可先安装torchkeras包，再进行可视化。该函数的打印顺序和子层的调用顺序是一致的，和子层的定义顺序无关。论据如下：from torchkeras import summaryclass TestModel(torchkeras.Model): def __init__(self): super(TestModel, self).__init__() self.c

空洞卷积：转置空洞卷积：上述二者计算公式参考pytorch源码感受野的计算（参考：吃透空洞卷积 (Dilated Convolutions) - 极市社区）：latex源码：F_{0} = 1\\k'_{n} = k_{n} + (k_{n}-1)\times(d_{n}-1)\\F_{n} = F_{n-1} + (k'_{n}-1)\times \prod_{i=1}^{n-1}s_{i}\\F_{n}表示第n层感受野, k_{n}表示第n层卷积核大小\\d_{n.

由于医学图像的空间分辨率一般很高，一般训练集都是采用随机裁剪输入到网络进行训练，而对于验证集和测试集，则一般使用滑动窗口推理方法进行预测，滑动窗口方法一般分为在线切图和离线切图，离线切图比较劝退（大佬就可以忽略这句话），很那实现。在线切图在monai中已经被实现了，调用代码如下：from monai.inferers import sliding_window_inference通过滑动窗口推理方法推理出来的分割结果在空间尺寸上(h,W,D三个维度)和原始图像是一致的。然后再使用monai.dat

# -*-coding:utf-8-*-import pytorch_lightning as plfrom monai import transformsimport numpy as npfrom pytorch_lightning.callbacks import EarlyStopping, ModelCheckpointfrom monai.config import KeysCollectionfrom monai.utils import set_determinismpl..

mona使用transformer.LoadImage或者LoadImaged读取图片报错：monai ValueError: Unsupported option'.nii', Available options are {'itkreader', 'numpyreader', 'pilreader', 'nibabelreader'}.一个可能的原因是：把LoadImage()当成函数用了，如下：报错的根本原因是LoadImage其实是个类名，LoadImaged也是如此。应当改成下面的就对

1 根据图片大小和patch大小生成切图位置：import globimport os.pathimport numpy as npfrom skimage import io as siofrom params import * # 这个是我自己的一个超参数文件from skimage import exposure# 一般来说，stride = patch_size[0]//2def gen_patch_pos(org_image, patch_size: list = [25

最近上手pytorch，搭了一个3D版本的Alexnet模型同于对医学图像简单的进行分类，期间又踩了一个坑，损失函数的loss值在第二步就飙到了一万多，查了好几天也没查到为啥，最初是以为图像预处理部分的问题，（图像归一化方式不正确），后来发现是优化器的坑。最初用的优化器是adam，（甚至我还想试试Nadam，可惜截至2021.7.7，pytoch好像没实现这个），然后损失函数的值就成了下面这样（真感人）：后来看了个知乎链接(链接如下)，说图像领域的优化器最好是选择sgd+动量，试了下，结果发现还

参考链接：https://blog.csdn.net/qq_39478403/article/details/109378705d

视频地址：https://www.bilibili.com/video/BV1V54y1B7K3?p=10&spm_id_from=pageDriver深度神经网络的层数计算：1、计算 网络层数时仅统计卷积层与全连接层；2、池化层与各种归一化层都是对它们前面卷积层输出的特 征图进行后处理，不单独算作一层。小卷积核的优势：多个小尺寸卷积核串联可以得到与大尺寸卷积核相同的感受野 使用小卷积核串联构建的网络深度更深、非线性更强、参数也更少。平均池化向量化和直接展开向量化的对比.