九叶草

摘要： # coding: utf-8 #主要将子文件下大量图片进行路径编号，并保存到csv文件当中。方便直接从文件读取图片路径以及其他图片信息。 #我做的是图像分割，所以存在三类分割区域：["large_bowel", "small_bowel", "stomach"]。 #文件路径：train\case 阅读全文

摘要： 为了便于直观的看到2D标签，通常会将其转化为png图像，具体代码如下： # coding:utf-8 from glob import glob import os import SimpleITK as sitk from pathlib import Path import numpy as n 阅读全文

摘要： 具体代码 ，请看的的github if __name__ == "__main__": df = pd.read_csv(r'D:/compation/kaggle/train.csv/train.csv') # 路径文件 list_images = glob(r'D:\\compation\\ka 阅读全文

摘要： 使用nnUNet跑BraTS脑肿瘤分割预测TC和ET非常低，原来是预测的时候，使用了预处理后的标签。原本标签是：2:WT, 1:TC, 4:ET。但是预处理之后变为：1:WT, 2:TC, 3:ET。所以我们对于最后预测完需要变回原来的标签值。nnUNet需要改动代码位置：nnunet/infere 阅读全文

摘要： 在使用nn-Unet做BraTS2019数据集预测时，预测文件分别生成了三类文件：.pkl .npz .nii.gz，我们需要的是.nii.gz文件。所以需要进行文件移动。 # coding:utf-8 import os,shutil import time src_path=f"C:\\User 阅读全文

摘要： 在进行深度学习时，为了提高精度，或者为了评估我们模型的优劣，以及如何选择一个更好的模型。这样我们就需要用到交叉验证方法。 我们主要实现如何使用KFold划分训练集和验证集 #coding:utf-8from sklearn.model_selection import KFold def selec 阅读全文

摘要： 对于小数据量医学图像进行深度学习使，会由于数据量过小而过拟合。因此我们需要采用数据扩充方法，而flip和rotate又是经常用到的，这里做一个简单的实现。 输入为[batchsize,height, width, channel]。这里是2D医学图像数据增强，我之前应该有写到3D增强，不过2D稍加改 阅读全文

摘要： #coding:utf-8# 任务需要，需要删除多余的文件，手动删除太麻烦，几行python搞定 import os from glob import glob path = r"/media/icml-014/peixu/MyData/2019brain/valid/*" # 获取到目录 all_ 阅读全文

摘要： # coding:utf-8 import numpy as np import torch # 首先确定原图片的基本信息：数据格式，行数列数，通道数 rows=886#图像的行数 cols=492#图像的列数 patchsx = rows patchsy = cols batchsz = 16 c 阅读全文

摘要： import cv2 #OpenCV包 import numpy as np # 首先确定原图片的基本信息：数据格式，行数列数，通道数 rows=886#图像的行数 cols=492#图像的列数 channels =1# 图像的通道数，灰度图为1 path = r"C:\Users\wpx\Desk 阅读全文