工作习得（长期记录）

Linux相关

• 由一个命令引发的GPU学习

  • nvidia-smi -L查询GPU的UUID
  • 一篇博文，参考：深度总结，带你玩转 NVIDIA GPU
  • 
  • nvidia-smi -l 1每秒刷新查询GPU使用情况

• linux给文件夹添加用户权限，参考

  • ls -l 命令可以查看当前文件夹的权限和所有者
    

项目相关

• 熟练掌握最小系统测试
• 服务器跑项目，一定要在窗口运行，避免本地机关机

conda环境相关

• 必要的两步
  1.创建环境
  conda create -n [environment name] python=3.10
  2.装torch
  pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu116
  3.装第三方库(默认安装最新版本)
  pip install -U [package name]
• 如果第三方库在pip&conda上面都没有，尝试下面方法：
  1.找到库的GitHub地址；
  2.Download项目；
  3.在终端切换目录cd /path/to/the/project；
  4.激活环境conda activate [environment name]；
  5.安装库python setup.py install。

代码相关

• argparse包，主要语句(例子)

  
  import argparse
  
  parser = argparse.ArgumentParser()
  
  # 添加变量（此处为三个）
  parser.add_argument('--folder_ref',type=str, default=r'/homes/xchang/Data/WuHu_Kidney/nnUNet_raw/Dataset074_WuHuKidney/labelTs')
  parser.add_argument('--folder_pred',type=str, default=r'/homes/xchang/Data/WuHu_Kidney/nnUNet_predict_result_modified/Dataset074_WuHuKidney')
  parser.add_argument('--output_file',type=str, default=r'/homes/xchang/Data/WuHu_Kidney/nnUNet_predict_result_modified/Dataset074_WuHuKidney/summary.json')
  args = parser.parse_args()
  
  folder_ref = args.folder_ref
  folder_pred = args.folder_pred
  output_file = args.output_file
  

• python排序：自然排序（例子）

  
  # 获取目录中所有的.png文件并按名称排序，按照key指定的内容进行自然排序
  image_files = sorted([f for f in os.listdir(input_dir) if f.endswith('.png')], key=lambda x: int(x.split('_')[1]))
  

CT图像相关

参考博客：dcm和nii格式的CT图像
参考博客：重采样和窗宽窗位调整的理解

• CT图像是一定要进行窗宽窗位调整的！！！
• 窗宽窗位调整（说的是CT的Hu值）
  • dcm是直接中CT扫描仪里面导出来的，它记录的往往却是像素值，无负值！而nii记录的往往是Hu值，有负值！
  • 所以nii文件不需要将像素值变换成Hu，直接进行窗宽和窗位设置就好了。

# 窗宽窗位归一化代码
import nibabel as nib
import numpy as np

def normalize_ct_image(input_file, output_file, window_width, window_center):
    # 读取 NIfTI 文件
    nifti_img = nib.load(input_file)

    # 获取图像数据
    image_data = nifti_img.get_fdata()

    # 计算窗宽窗位范围
    min_value = window_center - window_width / 2.0
    max_value = window_center + window_width / 2.0

    # 对图像数据进行归一化处理
    normalized_image = np.clip((image_data - min_value) / (max_value - min_value), 0, 1)

    # 创建新的 NIfTI 对象并保存
    normalized_nifti = nib.Nifti1Image(normalized_image, nifti_img.affine)
    nib.save(normalized_nifti, output_file)

nii图像相关

python中查看一个.nii图像的方式

from nibabel.viewers import OrthoSlicer3D
OrthoSlicer3D(data.transpose(1,2,0)).show()