NiftyNet開源平臺的使用 -- 配置文件

NiftyNet開源平臺的使用 

 

NiftyNet基礎架構是使研究人員可以快速開發和分發用於分割、迴歸、圖像生成和表示學習應用程序，或將平臺擴展到新的應用程序的深度學習解決方案。

詳細介紹請見： ( http://www.javashuo.com/article/p-vloiaskt-hw.html)
官網  ( https://niftynet.readthedocs.io/en/latest/config_spec.html) 

 

 

NiftyNet工做流能夠由NiftyNet應用程序和配置文件徹底指定。 
運行工做流的命令是： 

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

 

使用train指令代表想要使用提供的數據更新已存在的網絡模型，使用inference將加載已存在的網絡模型根據提供的數據生成響應。-c 後跟配置文件路徑，-a 跟將要import的應用種類。 

 

application參數 
 圖像分割  

net_segment -c ...

 

圖像迴歸 

net_regress -c ...

 

自動編碼 

net_autoencoder -c ...

 

生成對抗網絡(GANs) 

net_gan -c ...

 

net_run命令也支持命令行參數，以`--<name> <value>`或`--<name>=<value>`的形式表示。輸入的參數將取代系統默認的和配置文件中的參數。

  

配置文件 

每一個網絡想要運行必須包含一個config.ini配置文件，用來設置訓練/測試所用的所有參數，詳細以下： 
每一個配置文件中必須包含三個sections: 
* [SYSTEM] 
* [NETWORK] 
* [APPLICATION] 

若是train行爲被須要，則`[TRAINING]`section須要被定義，一樣，若是inference行爲被須要，則須要定義`[INFERENCE]`。 
[APPLICATION]由本身定製，可使用的有： 
* `[GAN]` -- 生成對抗網絡 
* `[SEGMENTATION]` -- 分割網絡 
* `[REGRESSION]` -- 迴歸網絡 
* `[AUTOENCODER]` -- 自動編碼網絡 

每一個section的參數  

[Input data source]
* csv_file:  輸入圖像路徑 
* path_to_search: 搜索圖像的單個或多個文件，若是有多個用逗號分開 
* filename_contains:  匹配文件名的關鍵詞 
* filename_not_contains:  排除文件名的關鍵詞 
* filename_removefromid:  從文件命中抽取主題id的正則表達式，被匹配的模式將從文件名中移除並生成主題id。 
* interp_order:  插值法，當設定採樣方法爲resize時，須要該參數對圖片進行上採樣或下采樣，0表示最近插值，1表示雙線性插值，3表示三次樣條插值，默認爲3 
* pixdim：  若是被指定，輸入volum在被餵給網絡以前將被重採樣成voxel尺寸 
* axcodes：  若是被指定，輸入volum在被餵給網絡以前將被調整爲座標碼(axes code) 
* spatial_window_size:  輸入到網絡中的圖片尺寸，需指明三個維度，第一個和第二個分別表示圖片的長和寬，第三個若是爲1表示使用2d卷積，不然使用3d卷積 
* loader：  圖片讀取器，默認值None將嘗試全部可獲得的讀取器 
　　讀取器支持的類型有： 
　　nibabel  支持.nii醫學文件格式 
　　simpleitk  支持.dcm和.mhd格式的醫療圖像 
　　opencv  支持.jpg等常見圖像，讀取後通道順序爲BGR 
　　skimage  支持.jpg等常見圖像 
　　pillow  支持.jpg等常見圖像，讀取後通道順序爲RGB 

 

[System]
* cuda_devices:  設置tensorflow的CUDA_VISIBLE_DEVICES變量 
* num_threads:  設置訓練的預處理線程數 
* num_gpus:  設置訓練的GPU的數量 
* model_dir:  訓練模型的保存和加載路徑 
* dataset_split_file:  文件分配科目到子集 
* event_handler:  事件處理器 

 

[NETWORK]
* name:  niftynet/network中的網絡類或用戶自定義的模塊 
* activation_function:  網絡的激活函數集合 
* batch_size:  設置每次迭代圖像窗口的數量 
* smaller_final_batch_mode:  當batch_size的窗口採樣器總數是不可見的時支持最後的batch使用不一樣的模式 
　　可選類型有： 
　　drop:  終止剩餘的batch 
　　pad: 用-1填補最後更小的batch 
　　dynamic: 直接輸出剩餘的batch 

* reg_type:  可訓練的正規化參數的類型 
* decay:  正規化的強度，用於預防過擬合 
* volume_padding_size:  圖片的填補值 
* window_sampling:  進入網絡的圖片的採樣方法 
　　uniform:  輸出的圖片保持本來大小 
　　weighted:  對成比例的voxel的採樣到累積直方圖的似然 
　　balanced:  每一個標籤都被採樣的可能性一樣 
　　resize:  將進入網絡的圖片首先resize到spatial_window_size 

* queue_length:  NiftyNet會設置兩個隊列，一個負責從數據集中讀取數據並擾亂，另外一個從前一個隊列中讀取batch_size張圖片輸入網絡，這個參數是指第一個隊列的長度，最小值爲batch_size \* 2.5 
* keep_prob: 若是失活被網絡支持的話，每一個元素存活的可能性

 

[Volume-normalisation]
* normalisation:  指示直方圖標準化是否應該被應用於數據 
* whitening:  只是被加載的圖片是否應該被增白，若是是，輸入I，返回(I - mean(I)) / std(I) 
* histogram_ref_file:  標準化參數的文件 
* norm_file:  基於直方圖的標準化的直方圖landmark類型 
* cutoff:  下級和上級的基於直方圖的標準化的截斷 
* normalise_foreground_only:  指示一個mask是否須要被基於前景或多樣前景進行計算，如設置True，全部的標準化步驟都將被應用於生成前景區 
* foreground_type:  生成一個前景mask，而且它只用於前景 
* mutimod_foreground_type:  結合前景mask和多模態的策略 
　　可選類型： 
　　or:  可獲得的masks的合集 
　　and:  可獲得的mask的交集 
　　all:  mask從每一個模態獨立計算 

 

[TRAINING]
* optimiser:  計算圖梯度優化器的類型，支持adagrade，adam，gradientdescent，momentum，rmsprop，nesterov 
* sample_per_volume：每張圖的採樣次數 
* lr:  學習率 
* loss_type:  loss函數的類型，支持segmentation,regression,autoencoder,gan 
* starting_iter:  設置從新訓練模型的迭代次數 
* save_every_n:  保存當前模型的頻率，0爲不保存 
* tensorboard_every_n:  計算圖中的元素和寫到tensorboard上的頻率 
* max_iter:  最大訓練迭代次數 

 

[Validation during training]
* validation_every_n:  每n次迭代運行一次驗證迭代 
* validation_max_iter:  驗證迭代運行的次數 
* exclude_fraction_for_validation:  用於驗證的數據集的比例 
* exclude_fraction_for_inference:  用於推斷的數據集的比例 

 

[Data augmentation during traning] 
* rotation_angle:  指示輸入的圖片旋轉一個隨機的旋轉 
* scaling_percentage:  指示一個隨機的縮放比例(-50,50) 
* random_flipping_axes:  能夠翻轉加強數據的軸(???) 

[INFERENCE]
* spatial_window_size:  指示輸入窗口的大小(int array) 
* border:  一個用於修剪輸出窗口大小的邊界值(int tuple)，如設置(3,3,3)，將把一個(64\*64\*64)的窗口修剪爲(58\*58\*58) 
* inference_iter:  指定已訓練的模型用於推測(integer) 
* save_seg_dir:  預測目錄的名字 
* output_postfix:  向每個輸出文件的名稱後添加後綴 
* output_interp_order:  網絡輸出的推斷順序 
* dataset_to_infer:  字符串指定計算推理的數據集（‘training’, ‘validation’, ‘inference’） 

 

[EVALUATION]  
* save_csv_dir:  存儲輸出的csv文件的路徑 
* evaluations:  要計算的評價指標列表以逗號分隔的字符串表示，每一個應用程序可能的評估指標列表可用於迴歸評估、分段評估和分類評估 
* evaluation_units:  描述在分割的狀況下應該如何進行評估 
　　foreground:  只對一個標籤 
　　label：  對每個標籤度量 
　　cc:  對每一個鏈接組件度量