NiftyNet是一款開源的卷積神經網絡平台，專門針對醫學圖像處理分析,上一篇博客已經詳細介紹了這個平台，接下來讓我簡單介紹一下目前我了解到的使用方法。更詳細的使用方法、以及配置過程請查看NiftyNet官方文檔：https://niftynet.readthedocs.io/en/latest/config_spec.html
目錄：
1.NiftyNet層結構介紹
2.運行NiftyNet demo所需的指令格式
3.配置文件部分參數介紹
（1）[Input data source]
（2）[System]
（3）[NETWORK]
（4）[Volume-normalisation]
（5）[TRAINING]
（6）[Validation during training]
（7）[Data augmentation during traning]
（8）[INFERENCE]
（9）[EVALUATION]
1.NiftyNet層結構介紹
NiftyNet有很強的易用性,數據層,應用層,網絡層等是完全獨立的,
（1）數據層(NiftyNet/niftynet/io),負責醫學圖像的讀取,目前讀取器有以下幾種:
- nibabel 支持 .nii醫學文件格式
- simpleith 支持 .dcm和 .mhd格式的醫療圖像
- opencv 支持 .jpg等常見圖像讀取，讀取后通道順序為BGR
- skimage 支持 .jpg等常見圖像讀取
- pillow 支持 .jpg等常見圖像讀取，通道順序為RGB
（2）應用層(NiftyNet/niftynet/application),目前支持的應用有以下幾種：
- 分割 (segmentation_application.py)
- 分類 (classification_application.py）
- Autoencoder
- Gan生成網絡
- 回歸
（3）網絡層(NiftyNet/niftynet/network)，這個里面包含了已經實現的一些網絡,resnet,dense_vnet,等,我們可以創建自己的網絡結構后放在這個文件夾
2.運行NiftyNet demo所需的指令格式
（1） 運行以下格式的命令可以使NiftyNet工作：
# command to run from git-cloned NiftyNet source code folde
python net_run.py [train|inference|evaluation] -c <path_to/config.ini> -a <application>
# command to run using pip-installed NiftyNet
net_run [train|inference|evaluation] -c <path_to/config.ini> -a <application>
train：train指令表明想要使用提供的數據更新已存在的網絡模型
inference：inference將加載已存在的網絡模型根據提供的數據生成響應
-c：后跟配置文件路徑(有關配置文件的內容見第3個知識點)
-a：跟將要import的應用種類
（2）NiftyNet的應用層已經自帶了5種應用，那么如何運行這些應用呢？
圖像分割
# command net_run -a niftynet.application.segmentation_application.SegmentationApplication -c ... # alias(別名): net_segment -c ...
圖像回歸
# command net_run -a niftynet.application.regression_application.RegressionApplication -c ... # alias(別名): net_regress -c ...
自動編碼器
# command net_run -a niftynet.application.autoencoder_application.AutoencoderApplication -c ... # alias(別名): net_autoencoder -c ...
生成對抗網絡
# command net_run -a niftynet.application.gan_application.GANApplication -c ... # alias(別名): net_gan -c ...
3.配置文件部分參數介紹
（1）每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/測試所用的全部參數，詳細如下：
每個配置文件中必須包含三個sections:
* [SYSTEM]
* [NETWORK]
* [APPLICATION] (自己定義.如[SEGMENTATION],[GAN],等)
如果train行為被需要，則`[TRAINING]`和`[Input data source]`需要被定義，其中`[Input data source]`這個section可以自定義命名
如果inference行為被需要，則需要定義`[INFERENCE]`和`[Input data source]`，其中`[Input data source]`這個section可以自定義命名
以NiftyNet自帶的分割腦部Demo為例子，其運行指令和配置文件如下圖所示：
運行指令：
net_segment -c C:/niftynet/extensions/highres3dnet_brain_parcellation/highres3dnet_config_eval.ini
配置文件如下：
[Modality0] path_to_search = data/OASIS/ filename_contains = nii spatial_window_size = (96, 96, 96) interp_order = 0 pixdim = (1.0, 1.0, 1.0) axcodes = (R, A, S) [SYSTEM] cuda_devices = "" model_dir = models/highres3dnet_brain_parcellation [NETWORK] name = highres3dnet batch_size = 1 activation_function = relu volume_padding_size = 10
[Volume-normalisation] whitening = True normalisation = True normalise_foreground_only=True foreground_type = mean_plus histogram_ref_file = databrain_std_hist_models_otsu.txt cutoff = (0.001, 0.999) [INFERENCE] border = 2 inference_iter = 33000 save_seg_dir = ./parcellation_output output_interp_order = 0 spatial_window_size = (128, 128, 128) [SEGMENTATION] image = Modality0 output_prob = False num_classes = 160
（2）接下來讓我們看看每個部分的參數的含義
[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，如果有多個用逗號分開
* 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，當設定采樣方法為resize時，需要該參數對圖片進行上采樣或下采樣，0表示最近插值，1表示雙線性插值，3表示三次樣條插值，默認為3
* pixdim： 如果被指定，輸入volum在被喂給網絡之前將被重采樣成voxel尺寸
* axcodes： 如果被指定，輸入volum在被喂給網絡之前將被調整為坐標碼(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，第三個如果為1表示使用2d卷積，否則使用3d卷積
* loader： 圖片讀取器，默認值None將嘗試所有可得到的讀取器
[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的窗口采樣器總數是不可見的時支持最后的batch使用不同的模式
可選類型有：
drop: 終止剩余的batch
pad: 用-1填補最后更小的batch
dynamic: 直接輸出剩余的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: 進入網絡的圖片的采樣方法
uniform: 輸出的圖片保持原本大小
weighted: 對成比例的voxel的采樣到累積直方圖的似然
balanced: 每個標簽都被采樣的可能性同樣
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，最小值為batch_size \* 2.5
* keep_prob: 如果失活被網絡支持的話，每個元素存活的可能性
[Volume-normalisation]
* normalisation: 指示直方圖標准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，如果是，輸入I，返回(I - mean(I)) / std(I)
* histogram_ref_file: 標准化參數的文件
* norm_file: 基於直方圖的標准化的直方圖landmark類型
* cutoff: 下級和上級的基於直方圖的標准化的截斷
* normalise_foreground_only: 指示一個mask是否需要被基於前景或多樣前景進行計算，如設置True，所有的標准化步驟都將被應用於生成前景區
* foreground_type: 生成一個前景mask，並且它只用於前景
* mutimod_foreground_type: 結合前景mask和多模態的策略
可選類型：
or: 可得到的masks的合集
and: 可得到的mask的交集
all: mask從每個模態獨立計算
[TRAINING]
* optimiser: 計算圖梯度優化器的類型，支持adagrade，adam，gradientdescent，momentum，rmsprop，nesterov
* sample_per_volume：每張圖的采樣次數
* lr: 學習率
* loss_type: loss函數的類型，支持segmentation,regression,autoencoder,gan
* starting_iter: 設置重新訓練模型的迭代次數
* save_every_n: 保存當前模型的頻率，0為不保存
* 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: 可以翻轉增強數據的軸
[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)的窗口修剪為(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: 向每一個輸出文件的名稱后添加后綴
* 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，每個應用程序可能的評估指標列表可用於回歸評估、分段評估和分類評估
* evaluation_units: 描述在分割的情況下應該如何進行評估，foreground: 只對一個標簽 ，label：對每一個標簽度量，cc: 對每個連接組件度量
參考：https://blog.csdn.net/PKnotnull/article/details/80378824#inference
以上就是本次有關Niftynet的相關知識學習，歡迎交流！