Python DeepRad包_程序模块 - PyPI

医学图像深度学习工具箱

DeepRad的Python项目详细描述

深度rad

这个项目是为了开发与使用深度学习的医学成像相关的软件。deeprad有两种不同的模式（快速使用和开发模式），分别针对不同的目标和不同编程水平的研究人员。

Deeprad的特点是使用CNN进行大规模训练，例如，扫描量超过10万次。将这些数据集直接加载到内存中可能会导致内存不足（OOM）错误。分层数据格式（HDF）是一种文件格式（HDF4、HDF5）的集合，用于存储和组织大量数据。deeprad提供数据管理工具来帮助用户将数据转换为hdf5文件。在deeprad的训练过程中，只有一批数据将从存储数据集的硬盘驱动器加载到内存中。由于所有过程都可以在gui中完成，deeprad对不熟悉编码的人也很友好。

这是Deeprad的第一个版本。目前我们支持三维分割的训练过程。我们将添加更多功能，使DeepRad更加强大。

< H2>第0步。依赖项的安装
建议使用python 3.6。
从（a）或（b）中选择一种方法来安装从属软件包。
a.逐个安装依赖项
(for GPU user) conda install -c anaconda tensorflow-gpu conda install -c anaconda keras-gpu (for CPU user) conda install -c anaconda tensorflow conda install -c anaconda keras (common package) conda install -c conda-forge pillow conda install -c conda-forge opencv conda install -c conda-forge nibabel conda install -c conda-forge qimage2ndarray conda install -c simpleitk simpleitk conda install -c conda-forge nilearn conda install -c conda-forge pytables conda install -c anaconda nomkl pip install git+https://www.github.com/farizrahman4u/keras-contrib.git
b.使用安装程序.sh
运行installation.sh。可能需要一段时间（~15分钟）。
bash installation.sh
< H2>第1步。数据集准备
文件夹结构
有几种可能的方法可以构建文件夹。
文件夹树1
. ├── <data folder> │ ├── train # Data must be in a folder called "train" │ │ ├── <Volume N> # This is customized │ │ │ ├── <Modality M> # This is customized │ │ │ ├── ... │ │ │ ├── truth.nii.gz OR truth.nii or truth.csv # Labels must be named as "truth" │ │ └── ... └── ...
示例：
data_example ├── type1 │ ├── train │ │ ├── Brats17_2013_0_1 │ │ │ ├── t1.nii.gz │ │ │ ├── t1ce.nii.gz │ │ │ ├── t2.nii.gz │ │ │ ├── flair.nii.gz │ │ │ ├── truth.nii.gz │ │ ├── Brats17_2013_15_1 │ │ │ ├── t1.nii.gz │ │ │ ├── t1ce.nii.gz │ │ │ ├── t2.nii.gz │ │ │ ├── flair.nii.gz │ │ │ ├── truth.nii.gz └── ...
文件夹树2
. ├── <data folder> │ ├── data # Data must be in a folder called "data" │ │ ├── <Volume N> # This is customized │ │ │ ├── <Modality M> # This is customized │ │ │ ├── ... │ ├── label # Data must be in a folder called "label" │ │ ├── <Volume N> # The name shoule be the same as that in "data" folder │ │ │ ├── truth.nii.gz OR truth.nii or truth.csv # Labels must be named as "truth" │ │ └── ... └── ...
示例：
data_example ├── type2 │ ├── data │ │ ├── Brats17_2013_0_1 │ │ │ ├── t1.nii.gz │ │ │ ├── t1ce.nii.gz │ │ │ ├── t2.nii.gz │ │ │ ├── flair.nii.gz │ │ ├── Brats17_2013_15_1 │ │ │ ├── t1.nii.gz │ │ │ ├── t1ce.nii.gz │ │ │ ├── t2.nii.gz │ │ │ ├── flair.nii.gz │ ├── label │ │ ├── Brats17_2013_0_1 │ │ │ └── truth.nii.gz │ │ ├── Brats17_2013_15_1 │ │ │ └── truth.nii.gz └── ...
文件夹树3（用于合成）
. ├── <data folder> │ ├── data # Data must be in a folder called "data" │ │ ├── <Volume N> # This is customized │ ├── label # Data must be in a folder called "label" │ │ ├── <Volume N> # The name shoule be the same as that in "data" folder └── ...
示例：
data_example ├── type3 │ ├── data │ │ ├── Brats17_2013_0_1.nii.gz │ │ ├── Brats17_2013_15_1.nii.gz │ ├── label │ │ ├── Brats17_2013_0_1.nii.gz │ │ ├── Brats17_2013_15_1.nii.gz └── ...
文件夹树4（用于分类）
. ├── <data folder> │ ├── data # Data must be in a folder called "data" │ │ ├── <Volume N> # This is customized │ ├── label # Data must be in a folder called "label" │ │ ├── <Volume N> # The name shoule be the same as that in "data" folder └── ...
示例：
(for GPU user) conda install -c anaconda tensorflow-gpu conda install -c anaconda keras-gpu (for CPU user) conda install -c anaconda tensorflow conda install -c anaconda keras (common package) conda install -c conda-forge pillow conda install -c conda-forge opencv conda install -c conda-forge nibabel conda install -c conda-forge qimage2ndarray conda install -c simpleitk simpleitk conda install -c conda-forge nilearn conda install -c conda-forge pytables conda install -c anaconda nomkl pip install git+https://www.github.com/farizrahman4u/keras-contrib.git
0
文件夹树5（用于分类）
(for GPU user) conda install -c anaconda tensorflow-gpu conda install -c anaconda keras-gpu (for CPU user) conda install -c anaconda tensorflow conda install -c anaconda keras (common package) conda install -c conda-forge pillow conda install -c conda-forge opencv conda install -c conda-forge nibabel conda install -c conda-forge qimage2ndarray conda install -c simpleitk simpleitk conda install -c conda-forge nilearn conda install -c conda-forge pytables conda install -c anaconda nomkl pip install git+https://www.github.com/farizrahman4u/keras-contrib.git
1
示例：
(for GPU user) conda install -c anaconda tensorflow-gpu conda install -c anaconda keras-gpu (for CPU user) conda install -c anaconda tensorflow conda install -c anaconda keras (common package) conda install -c conda-forge pillow conda install -c conda-forge opencv conda install -c conda-forge nibabel conda install -c conda-forge qimage2ndarray conda install -c simpleitk simpleitk conda install -c conda-forge nilearn conda install -c conda-forge pytables conda install -c anaconda nomkl pip install git+https://www.github.com/farizrahman4u/keras-contrib.git
2
帮助重命名"truth"的工具
因为deeprad会询问所有名为"truth"的标签，所以提供了一个工具来简化此过程。假设所有文件夹都被构造为上面的"type1"。
(for GPU user) conda install -c anaconda tensorflow-gpu conda install -c anaconda keras-gpu (for CPU user) conda install -c anaconda tensorflow conda install -c anaconda keras (common package) conda install -c conda-forge pillow conda install -c conda-forge opencv conda install -c conda-forge nibabel conda install -c conda-forge qimage2ndarray conda install -c simpleitk simpleitk conda install -c conda-forge nilearn conda install -c conda-forge pytables conda install -c anaconda nomkl pip install git+https://www.github.com/farizrahman4u/keras-contrib.git
3
然而，大约有100卷需要训练，但所有分割结果都被命名为"seg"。现在，在根目录中运行以下代码。
(for GPU user) conda install -c anaconda tensorflow-gpu conda install -c anaconda keras-gpu (for CPU user) conda install -c anaconda tensorflow conda install -c anaconda keras (common package) conda install -c conda-forge pillow conda install -c conda-forge opencv conda install -c conda-forge nibabel conda install -c conda-forge qimage2ndarray conda install -c simpleitk simpleitk conda install -c conda-forge nilearn conda install -c conda-forge pytables conda install -c anaconda nomkl pip install git+https://www.github.com/farizrahman4u/keras-contrib.git
4
参数"--seg_name"是所有要更改为"truth"的文件中name的公共部分。运行此代码后，文件夹将如下所示：
(for GPU user) conda install -c anaconda tensorflow-gpu conda install -c anaconda keras-gpu (for CPU user) conda install -c anaconda tensorflow conda install -c anaconda keras (common package) conda install -c conda-forge pillow conda install -c conda-forge opencv conda install -c conda-forge nibabel conda install -c conda-forge qimage2ndarray conda install -c simpleitk simpleitk conda install -c conda-forge nilearn conda install -c conda-forge pytables conda install -c anaconda nomkl pip install git+https://www.github.com/farizrahman4u/keras-contrib.git
5
将数据转换为HDF5格式。
deeprad提供了一个工具来加载数据集并将其转换为.hdf5文件，以便更好地兼容大型数据集。要打开deeprad，请按照步骤0安装相关软件包，并在deeprad文件夹中运行以下代码：
(for GPU user) conda install -c anaconda tensorflow-gpu conda install -c anaconda keras-gpu (for CPU user) conda install -c anaconda tensorflow conda install -c anaconda keras (common package) conda install -c conda-forge pillow conda install -c conda-forge opencv conda install -c conda-forge nibabel conda install -c conda-forge qimage2ndarray conda install -c simpleitk simpleitk conda install -c conda-forge nilearn conda install -c conda-forge pytables conda install -c anaconda nomkl pip install git+https://www.github.com/farizrahman4u/keras-contrib.git
6
然后我们可以看到一个主窗口。现在点击顶部的"快速使用"和"菜单"。单击"数据管理工具"假设我们有以下文件夹结构。
(for GPU user) conda install -c anaconda tensorflow-gpu conda install -c anaconda keras-gpu (for CPU user) conda install -c anaconda tensorflow conda install -c anaconda keras (common package) conda install -c conda-forge pillow conda install -c conda-forge opencv conda install -c conda-forge nibabel conda install -c conda-forge qimage2ndarray conda install -c simpleitk simpleitk conda install -c conda-forge nilearn conda install -c conda-forge pytables conda install -c anaconda nomkl pip install git+https://www.github.com/farizrahman4u/keras-contrib.git
5
在数据管理工具中，数据目录如下：
(for GPU user) conda install -c anaconda tensorflow-gpu conda install -c anaconda keras-gpu (for CPU user) conda install -c anaconda tensorflow conda install -c anaconda keras (common package) conda install -c conda-forge pillow conda install -c conda-forge opencv conda install -c conda-forge nibabel conda install -c conda-forge qimage2ndarray conda install -c simpleitk simpleitk conda install -c conda-forge nilearn conda install -c conda-forge pytables conda install -c anaconda nomkl pip install git+https://www.github.com/farizrahman4u/keras-contrib.git
8
我们可以指定输出目录如下：
(for GPU user) conda install -c anaconda tensorflow-gpu conda install -c anaconda keras-gpu (for CPU user) conda install -c anaconda tensorflow conda install -c anaconda keras (common package) conda install -c conda-forge pillow conda install -c conda-forge opencv conda install -c conda-forge nibabel conda install -c conda-forge qimage2ndarray conda install -c simpleitk simpleitk conda install -c conda-forge nilearn conda install -c conda-forge pytables conda install -c anaconda nomkl pip install git+https://www.github.com/farizrahman4u/keras-contrib.git
9
在指定目录之后，我们可以移动到标准化为。提供两种标准化模式：标准模式和间隔模式。
标准（Z分数）
数据=（数据/平均值）/标准
平均值和标准差是根据所有值计算的，而不仅仅是非零值
区间
数据-=数据最小值
data/=（数据最大值-数据最小值）/（最大值-最小值）
数据+=最小值
规范化类型确定如何计算平均值/标准差或数据最大值/数据最小值。假设我们有100卷，在每卷中，我们有"T1"，"T2"，"T1CE"，"flair"模式。每个成像设备都有形状（240、240、155）。
全局：参数将在100*4*（240、240、155）个数据集中计算
每卷：仅在每个（240、240、155）数据集上计算帕累米
每层：计算帕累米仅在每个（240，240）切片上。
图像形状是输出数据集形状。由于我们使用的是三维模型，因此建议：
行：64
列：64
频道：64
右边是一个预览工具来查看我们的数据集。如果我们指定卷路径，例如：
bash installation.sh
0
设置参数后，单击"转换"。注意：可能需要几分钟，不要点击其他东西，否则会有几个未知的错误。我们可以在路径中看到"data.hdf5"，例如：
bash installation.sh
1 < H2>第2步。主要功能（以分段为例）
测试环境：16G内存和GTX 1080 GPU，测试5卷BRATS 2018数据集。
brats数据集：https://www.med.upenn.edu/sbia/brats2018/data.html
在主窗口中单击"分段"。在这里我们可以看到5步。现在我们共享推荐设置，如果没有提到，请使用默认设置。
＜H3＞1。准备数据
bash installation.sh
2 ＜H3＞2。选择型号
bash installation.sh
3 ＜H3＞3。数据增强
bash installation.sh
4 ＜H3＞4。训练配置
bash installation.sh
5 ＜H3＞5。输出配置
bash installation.sh
6
之后，点击"开始"来训练模型。我们可以监控培训进度。
标签：
install
图像
工具箱
anaconda
conda
医学
keras
forge
nii
欢迎加入QQ群-->： 979659372
推荐PyPI第三方库
pyblish-base
插件驱动的内容自动化框架
notesviewer
观察者
bitbake
Bitbake生成工具
donfig
用于配置python包的python包
django-manifold
一个python库，它在django中实现了一个精简的解析器，使用它的模型和控制器来实现rpc/http服务。
PushingBox
pushingbox通知服务api的一个非常简单的python客户端。
repoze.cssutils
css解析和实用程序
garbagetruck
定期将旧文件移到本地文件系统垃圾桶中的小工具。
officeparser
分析Microsoft Office应用程序使用的OLE复合文档格式的Python脚本。
treetagger-xml
读取.xml文件并使用treetagger解析这些文件
requer
在数据库中存储和使用查询的简单方法，以使用dba for django admin
mercator
小精灵
ksellikepython
用于ksellesk的命令行工具。
odoo12-addon-account-invoice-consolidated
跨公司合并发票
rabotaotzyvy-ru
拉博塔兹维尤洗涤器

导航栏
项目描述
版本历史
下载文件
项目链接
首页
标签
许可证: BSD许可证（BSD 3条款）
作者信息:: 暂无
维护者
MIMRTL
最新PyPI项目
italian_vip_says
UFx
vofs
fake_item_generator
NerEva
django-monologue
fio_product_attribute_strict
climailsystem
pyshape
tbb-devel
npy-append-arra
anthill.tal.macrorenderer
odoo11-addon-stock-a
uuuu
contextil
fyl_nester
appomatic_renderable
teacher
chuletas
slackbot_ce
最新Python常见问题
使用Python创建一个非常大的二进制频率矩阵来运行协作过滤
使用Python创建一张HTML网页，其中在不同颜色中重复n遍显示“Hello World”的方法
使用Python创建一组唯一的值length L
使用python创建不同表格的透视表
使用python创建不和谐频道
使用python创建不存在的多个文件夹
使用python创建串行远程文件
使用python创建交互式仪表板时出现问题
使用python创建交互式绘图
使用python创建交互式自动电子邮件
使用Python创建价格列表
使用python创建修改的txt文件
使用Python创建全局变量，初始化后更改值
使用Python创建关键字搜索词数组
使用Python创建具有不均匀块大小/堆叠条形图的热图

DeepRad 1.0.0

DeepRad的Python项目详细描述

深度rad

a.逐个安装依赖项

b.使用安装程序.sh

文件夹结构

文件夹树1

文件夹树2

文件夹树3（用于合成）

文件夹树4（用于分类）

文件夹树5（用于分类）

将数据转换为HDF5格式。

推荐PyPI第三方库

pyblish-base

notesviewer

bitbake

donfig

django-manifold

PushingBox

repoze.cssutils

garbagetruck

officeparser

treetagger-xml

requer

mercator

ksellikepython

odoo12-addon-account-invoice-consolidated

rabotaotzyvy-ru

导 航 栏

项目 链接

标 签

维护者

最新PyPI项目

最新Python常见问题

导航栏

项目链接

标签