深度学习分割模型过程记录

1，数据预处理

（1）Dicom 2 Nii

（2）MR图像做N4偏置场矫正

（3）数据分组，确定训练集和验证集的图像和ROI的输入路径txt

2，训练阶段

（1）TrainConfig确定，Spacing注意一下，尽量和原始尺寸一致

（2）保存的模型要转成neuro模型，代码位置"/data1/wangfang_data/Kunming_Hebo/1_LumbarMuscleSegmentation/1_Data/0-Code/interconvert_neuro_and_pth.py"，在docker环境下转换。1）修改.py文件中的模型存在位置；2）python .py文件的绝对路径

3，激活docker环境步骤

（1）连网：firefox

（2）cd~；

（3）关闭上次的docker环境：sudo bash stop_and_rm_container_wf.sh

（4）激活docker：sudo bash run_contaoner_wf.sh，出现root@a01e1b8a60db:~/workapsce#

（5）安装所需要的包：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple nibabel，pip install -i https://pypi.tuna.tsinghua.edu.cn/simple SimpleITK，pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pycrypto，pip install -i https://pypi.tuna.tsinghua.edu.cn/simple antspyx【配准需要】

4，模型应用和测试

（1）单纯从原图分割ROI，命令行输入函数：vseg_test -i /data1/wangfang_data/Kunming_Hebo/1_LumbarMuscleSegmentation/1_Data/3_TestData/230222_TestDataPath.txt  -m /data1/wangfang_data/Kunming_Hebo/1_LumbarMuscleSegmentation/1_Data/5_ModelApply/230223_neur_model/ -o /data1/wangfang_data/Kunming_Hebo/1_LumbarMuscleSegmentation/1_Data/5_ModelApply/Top50P/230223_SegRes/ -n "Muscle_seg.nii.gz"。i是input路径，输入准备好的txt文件的绝对路径；m是保存的neuro模型，输入deploy上一层目录即可；o是保存结果的路径；n是分割结果的保存名称

（2）除了分割ROI外，还要evaluation，也是在docker环境下，用python /data1/wangfang_data/Kunming_Hebo/1_LumbarMuscleSegmentation/1_Data/0-Code/vseg_auto_coarsetofine_test_appoint_wf.py代码运行。在.py文件中，设置各参数条件。注意要修改的地方：evaluation_test中，替换的地方（117行和122行，163-168行）

5. 模型参数计算

（1）对比各个模型时，计算Parameters、Memory、Deployment model size、FLOPS、Forward time、Convolutional layers。Max stride

（2）Parameters和FLOPS可用代码计算；Memory是保存模型check-point下的params.pth的大小；Deployment model size是转换模型后fine.neuro的大小；Forward time是计算每个样本平均花费时间

（3）Parameters和FLOPS可用代码计算过程：1）VNet和SEVBNet的模型原位置：/data1/wangfang_data/Kunming_Hebo/1_LumbarMuscleSegmentation/1_Data/0_Code/md_segmentation3d/；2）在pycharm中打开该目录；3）在md_segmentation3d，network下打开需要的网络，如se_vbnet网络，在代码最后，改变相关参数即可。

（4）nnunet模型的Parameters和FLOPS可用代码计算过程：1）找到原始架构代码位置：/data1/wangfang_data/Kunming_Hebo/1_LumbarMuscleSegmentation/4_NNunet/nnUNet/nnunet/network_architecture/generic_UNet.py；2）在代码最后添加参数如下：

　　import pickle
　　path = "/data1/wangfang_data/Kunming_Hebo/1_LumbarMuscleSegmentation/4_NNunet/DATASET/nnUNet_trained_models/nnUNet/3d_fullres/Task101_Muscle/nnUNetTrainerV2__nnUNetPlansv2.1/plans.pkl"
　　f = open(path,'rb')
　　data = pickle.load(f)
　　data

　　import torch
　　from thop import profile
　　from ptflops import get_model_complexity_info

　　model = Generic_UNet(1, 32, num_classes=3, num_pool=8, feat_map_mul_on_downscale=5, conv_op=nn.Conv2d, norm_op=nn.BatchNorm2d,
　　dropout_op=nn.Dropout2d)
　　print(model)
　　print('Number of network parameters:', sum(param.numel() for param in model.parameters()))

　　inputs = torch.randn(1, 1, 1,256, 256) # 2d
　　#inputs = torch.randn(1, 1, 1, 32, 256, 256) # 3d
　　flops, params = profile(model, inputs=inputs)
　　print("flops:", flops, "params", params)

6 nnunet的测试

　　（1）打开NNunet的project

　　（2）conda activate 4_NNunet

　　（3）nnUNet_predict -i /data1/wangfang_data/Kunming_Hebo/1_LumbarMuscleSegmentation/5_ExternalTestingData/3_ChengduMedicalHos/4_NNUnetData/ -o 　　　　/data1/wangfang_data/Kunming_Hebo/1_LumbarMuscleSegmentation/5_ExternalTestingData/3_ChengduMedicalHos/5_ModelSegRes_updata/2_NNunet2d/ -t 101 -m 2d -f all【3d模型修改：3d_fullres】