NiftyNet开源平台的使用 -- 配置文件

NiftyNet开源平台的使用 

 

NiftyNet基础架构是使研究人员能够快速开发和分发用于分割、回归、图像生成和表示学习应用程序，或将平台扩展到新的应用程序的深度学习解决方案。

详细介绍请见： (https://www.cnblogs.com/zhhfan/p/9800473.html)
官网  (https://niftynet.readthedocs.io/en/latest/config_spec.html) 

 

 

NiftyNet工作流可以由NiftyNet应用程序和配置文件完全指定。 
运行工作流的命令是：

python net_run.py [train|inference|evaluation] -c <path_to/config.ini> -a <application>

使用train指令表明想要使用提供的数据更新已存在的网络模型，使用inference将加载已存在的网络模型根据提供的数据生成响应。-c 后跟配置文件路径，-a 跟将要import的应用种类。 

 

application参数 
 图像分割

net_segment -c ...

图像回归

net_regress -c ...

自动编码

net_autoencoder -c ...

生成对抗网络(GANs)

net_gan -c ...

net_run命令也支持命令行参数，以`--<name> <value>`或`--<name>=<value>`的形式表示。输入的参数将取代系统默认的和配置文件中的参数。

  

配置文件 

每个网络想要运行必须包含一个config.ini配置文件，用来设置训练/测试所用的全部参数，详细如下： 
每个配置文件中必须包含三个sections: 
* [SYSTEM] 
* [NETWORK] 
* [APPLICATION] 

如果train行为被需要，则`[TRAINING]`section需要被定义，同样，如果inference行为被需要，则需要定义`[INFERENCE]`。 
[APPLICATION]由自己定制，可以使用的有： 
* `[GAN]` -- 生成对抗网络 
* `[SEGMENTATION]` -- 分割网络 
* `[REGRESSION]` -- 回归网络 
* `[AUTOENCODER]` -- 自动编码网络 

每个section的参数  

[Input data source]
* csv_file:  输入图像路径 
* path_to_search: 搜索图像的单个或多个文件，如果有多个用逗号分开 
* filename_contains:  匹配文件名的关键词 
* filename_not_contains:  排除文件名的关键词 
* filename_removefromid:  从文件命中抽取主题id的正则表达式，被匹配的模式将从文件名中移除并生成主题id。 
* interp_order:  插值法，当设定采样方法为resize时，需要该参数对图片进行上采样或下采样，0表示最近插值，1表示双线性插值，3表示三次样条插值，默认为3 
* pixdim：  如果被指定，输入volum在被喂给网络之前将被重采样成voxel尺寸 
* axcodes：  如果被指定，输入volum在被喂给网络之前将被调整为坐标码(axes code) 
* spatial_window_size:  输入到网络中的图片尺寸，需指明三个维度，第一个和第二个分别表示图片的长和宽，第三个如果为1表示使用2d卷积，否则使用3d卷积 
* loader：  图片读取器，默认值None将尝试所有可得到的读取器 
　　读取器支持的类型有： 
　　nibabel  支持.nii医学文件格式 
　　simpleitk  支持.dcm和.mhd格式的医疗图像 
　　opencv  支持.jpg等常见图像，读取后通道顺序为BGR 
　　skimage  支持.jpg等常见图像 
　　pillow  支持.jpg等常见图像，读取后通道顺序为RGB 

 

[System]
* cuda_devices:  设置tensorflow的CUDA_VISIBLE_DEVICES变量 
* num_threads:  设置训练的预处理线程数 
* num_gpus:  设置训练的GPU的数量 
* model_dir:  训练模型的保存和加载路径 
* dataset_split_file:  文件分配科目到子集 
* event_handler:  事件处理器 

 

[NETWORK]
* name:  niftynet/network中的网络类或用户自定义的模块 
* activation_function:  网络的激活函数集合 
* batch_size:  设置每次迭代图像窗口的数量 
* smaller_final_batch_mode:  当batch_size的窗口采样器总数是不可见的时支持最后的batch使用不同的模式 
　　可选类型有： 
　　drop:  终止剩余的batch 
　　pad: 用-1填补最后更小的batch 
　　dynamic: 直接输出剩余的batch 

* reg_type:  可训练的正规化参数的类型 
* decay:  正规化的强度，用于预防过拟合 
* volume_padding_size:  图片的填补值 
* window_sampling:  进入网络的图片的采样方法 
　　uniform:  输出的图片保持原本大小 
　　weighted:  对成比例的voxel的采样到累积直方图的似然 
　　balanced:  每个标签都被采样的可能性同样 
　　resize:  将进入网络的图片首先resize到spatial_window_size 

* queue_length:  NiftyNet会设置两个队列，一个负责从数据集中读取数据并扰乱，另一个从前一个队列中读取batch_size张图片输入网络，这个参数是指第一个队列的长度，最小值为batch_size \* 2.5 
* keep_prob: 如果失活被网络支持的话，每个元素存活的可能性

 

[Volume-normalisation]
* normalisation:  指示直方图标准化是否应该被应用于数据 
* whitening:  只是被加载的图片是否应该被增白，如果是，输入I，返回(I - mean(I)) / std(I) 
* histogram_ref_file:  标准化参数的文件 
* norm_file:  基于直方图的标准化的直方图landmark类型 
* cutoff:  下级和上级的基于直方图的标准化的截断 
* normalise_foreground_only:  指示一个mask是否需要被基于前景或多样前景进行计算，如设置True，所有的标准化步骤都将被应用于生成前景区 
* foreground_type:  生成一个前景mask，并且它只用于前景 
* mutimod_foreground_type:  结合前景mask和多模态的策略 
　　可选类型： 
　　or:  可得到的masks的合集 
　　and:  可得到的mask的交集 
　　all:  mask从每个模态独立计算 

 

[TRAINING]
* optimiser:  计算图梯度优化器的类型，支持adagrade，adam，gradientdescent，momentum，rmsprop，nesterov 
* sample_per_volume：每张图的采样次数 
* lr:  学习率 
* loss_type:  loss函数的类型，支持segmentation,regression,autoencoder,gan 
* starting_iter:  设置重新训练模型的迭代次数 
* save_every_n:  保存当前模型的频率，0为不保存 
* tensorboard_every_n:  计算图中的元素和写到tensorboard上的频率 
* max_iter:  最大训练迭代次数 

 

[Validation during training]
* validation_every_n:  每n次迭代运行一次验证迭代 
* validation_max_iter:  验证迭代运行的次数 
* exclude_fraction_for_validation:  用于验证的数据集的比例 
* exclude_fraction_for_inference:  用于推断的数据集的比例 

 

[Data augmentation during traning] 
* rotation_angle:  指示输入的图片旋转一个随机的旋转 
* scaling_percentage:  指示一个随机的缩放比例(-50,50) 
* random_flipping_axes:  可以翻转增强数据的轴(???) 

[INFERENCE]
* spatial_window_size:  指示输入窗口的大小(int array) 
* border:  一个用于修剪输出窗口大小的边界值(int tuple)，如设置(3,3,3)，将把一个(64\*64\*64)的窗口修剪为(58\*58\*58) 
* inference_iter:  指定已训练的模型用于推测(integer) 
* save_seg_dir:  预测目录的名字 
* output_postfix:  向每一个输出文件的名称后添加后缀 
* output_interp_order:  网络输出的推断顺序 
* dataset_to_infer:  字符串指定计算推理的数据集（‘training’, ‘validation’, ‘inference’） 

 

[EVALUATION]  
* save_csv_dir:  存储输出的csv文件的路径 
* evaluations:  要计算的评价指标列表以逗号分隔的字符串表示，每个应用程序可能的评估指标列表可用于回归评估、分段评估和分类评估 
* evaluation_units:  描述在分割的情况下应该如何进行评估 
　　foreground:  只对一个标签 
　　label：  对每一个标签度量 
　　cc:  对每个连接组件度量