问题标签 [niftynet]

我正在为我的项目使用“NiftyNet”。对于数据增强，我注意到在配置文件中有“rotation_angle”、“scaling_percentage”和“random_flipping_axes”。我检查了文档，但仍然不明白“random_flipping_axes”的正确设置是什么：如果我想翻转所有三个轴，我应该使用 (1,1,1) 还是 (0,1,2)？

谢谢！

我刚刚开始探索 NiftyNet。当我尝试运行autocontext_mr_ct_model_zoo.

当我运行以下命令时：

我收到以下错误消息：

ValueError: Unknown keywords in config file: [error_map] -- 所有可能的选择是 ['', u'loss_border', 'output', 'image', 'weight', 'sampler', u'cuda_devices', u'num_threads ', u'num_gpus', u'model_dir', u'dataset_split_file', u'name', u'activation_function', u'batch_size', u'decay', u'reg_type', u'volume_padding_size', u'window_sampling ', u'queue_length', u'multimod_foreground_type', u'histogram_ref_file', u'norm_type', u'cutoff', u'foreground_type', u'normalisation', u'whitening', u'normalise_foreground_only', u'weight_initializer ', u'bias_initializer', u'weight_initializer_args', u'bias_initializer_args'，u'优化器'，u'sample_per_volume'，u'rotation_angle'，u'rotation_angle_x'，u'rotation_angle_y'，u'rotation_angle_z'，u'scaling_percentage'，u'random_flipping_axes'，u'lr'，u' loss_type'，u'starting_iter'，u'save_every_n'，u'tensorboard_every_n'，u'max_iter'，u'max_checkpoints'，u'validation_every_n'，u'validation_max_iter'，u'exclude_fraction_for_validation'，u'exclude_fraction_for_inference'，u' inference_iter'，u'save_seg_dir'，u'output_interp_order'，u'border'，u'csv_file'，u'path_to_search'，u'filename_contains'，u'filename_not_contains'，u'interp_order'，u'pixdim'，u'轴码',u'spatial_window_size']。

我不太确定我在这里搞砸了什么，欢迎任何建议。

我正在使用 Selective Sampler 对三个 CT 卷进行训练，以确保在 RoI 周围采集足够的样本（由于类不平衡）以及一些随机样本。我还通过缩放、旋转和翻转来扩充数据，这在创建样本时会花费大量时间。

将 sample_per_volume 设置为某个较大的值（例如 32768）并将 batch_size 设置为 128，看起来 NiftyNet 将对刚从第一卷中获取的 128 个样本进行 256 次迭代，然后切换到仅从第二卷中获取的样本（在损失）等等。我希望每批 128 个样本都是从所有训练卷中提取的样本的大致均匀混合。

我尝试将 sample_per_volume 设置为 batch_size 的大约 1/3，以便为每次迭代重新选择样本，但这会将每次迭代从 2 秒左右减慢到 50-60 秒。

我是不是误会了什么？或者有没有办法确保我的批次由来自所有训练数据的混合样本组成？谢谢。

我NiftyNet用来做一些细分项目。对于部分中的Label_normalization选项Segmentation，据我了解，它将标签转换为“0,1，...”，对吗？我可能错了。所以我的问题是：

1. 这对我的培训过程有何影响？如果我的两个标签是“0,1”或“0,10”，有区别吗？

2. 我看到这个标签归一化层只适用于标签图像，所以我想一旦模型训练好，它绝不会影响我的推理结果。但事实上我得到了不同的结果Label_normazation。这是为什么？

如果您能帮助我解决这些问题，我将不胜感激！

我正在使用NiftyNet分割问题。要从卷中获取样本，有此选项Sample_per_volume。

观察：当我将其设置为“1”时监控样本位置时，我注意到不是只从一个体积中获取一个样本，而是更像是每次迭代从一张图像中获取一个样本。

假设：如果这是真的，那么最好设置Sample_per_volume为 1 以便最好地随机化采样过程。

问：我的观察对吗？如果是这样，假设正确吗？那么，如果最佳选项始终为“1”，为什么该选项存在？

NiftyNet 期望什么数据类型作为输入？我知道 NiftyNet 以 NIfTI 文件格式读取和输出数据，但我不清楚单个数据的类型（例如 16 sint 或 32 sint）。它在任何地方都有记录吗？

我之所以问，是因为在使用 UNet、HighRes3DNet 和 VNet 执行大脑分割时，我得到了非常粗糙的输出（有时完全听不清）。即使我为相对简单的分割任务训练网络时也会发生这种情况，这让我相信我的输入在字节级别上被误解了。有人会碰巧知道这种数据不匹配是否可能，以及 NiftyNet 期望的数据类型是什么？

我正在尝试在 NiftyNet 中复制Promise12 演示。安装了 NiftyNet 0.2.2 和 TensorFlow 1.3 GPU 版本。

下载PROMISE12 数据并解压缩后，我修改了 NiftyNet 的promise12_demo_train_config.ini以反映我的数据的路径（这是唯一的更改）。在 1 个 GPU 上运行成功。

接下来，我将配置部分更改为[SYSTEM]：

这个想法是利用 3 个 GPU。但是，这会产生以下错误，重复多次，看起来像每个输入图像一次：

我怀疑这是预期的结果，但也许在使用多个 GPU 时需要更改其他设置？

我试图在推理后使用新的“评估”操作为我的输出生成一些指标。但是，对于我的每个数据量，.csv 文件仅显示平均距离的分数为“0”，而 Jaccard 和 Dice 的分数为“1”。我似乎找不到任何有关评估操作的文档，所以我不确定我做错了什么。此外，该--dataset_to_infer=Validation选项似乎不起作用，推理和评估都应用于所有数据，而不仅仅是验证集。

谢谢！

我正在尝试在一组 3D MRI 体积上训练 vnet 架构，并且我想尝试为每个图像添加一个具有不同回波时间的通道，从而有效地使其成为 4D。我看到 niftynet 允许 4D 图像输入，但我收到错误消息，指出 vnet 不允许包含时间维度的输入。什么是我更改源代码的最佳位置，或者我应该如何组合渠道？

谢谢

我想为分段任务训练 VNet。对于一个简单的“入门”示例，我有一个 CT 及其对应的分割图像。

ValueError运行train命令时我得到一个：

这是我的config.ini：