深度学习原理与实践chapter10

深度学习原理与TБайду номын сангаасnsorflow实践
10.6
黄理灿 ©2019
开源医学图像分析平台DLTK
数据读取 使用TFRecords数据库：一般来说，训练样本的数
据库往往很大，无法一次完全装入到内存中。 TFRecords 通过快速直接读写存储在磁盘中训练样 本，而不必先将样本数据存入内存。但是 TFRecords需要存储整个训练数据库到另一个格式 的副本。如果数据库很大（如几个TB），将造成硬 盘空间不够的问题。
深度学习原理与Tensorflow实践
10.3
黄理灿 ©2019
开源医学图像分析平台DLTK
生物医学图像通常是体积图像, 具有3维数据； 有时是4维数据（加上时 间维度） ，甚至5维数据（多序列核磁共振图像）
深度学习原理与Tensorflow实践
10.4
黄理灿 ©2019
开源医学图像分析平台DLTK
深度学习原理与Tensorflow实践
10.8
黄理灿 ©2019
开源医学图像分析平台DLTK
生物医学图像数据需要进行标准化预处理。标准化通常为消除数据 中获取方式引起的一些差异（例如，不同的主体姿势或图像对比度 的差异等），从而获得真正的病理学引起的差异。下面介绍一些最 常见的标准化方式。
三维像素强度的标准化。定性图像采用零均值单位方差标准化；然 而定量成像测量物理量，可适用裁剪和/或缩放，可采用离差标准化
10.2
黄理灿 ©2019
开源医学图像分析平台DLTK
DLTK是底层为Tensorflow的生物医学医学图像的 深度学习工具包，避免用户重复编写Tensorflow具 有相同功能的模型等程序模块。 深度学习库提供了底层操作库（例如张量乘法等 ），然而对医学图像还不能处理（如可区分的3D 上采样层等）。由于图像的额外空间维度，如多序 列脑磁共振多到5维，会导致内存不足的问题（例 如，存储1千张尺寸为325x512x256像素的CT图像 的数据集的副本，需要268GB）。另外由于采集的 性质不同，一些图像需要进行特殊的预处理（例如 ，灰度归一化、偏场校正、降噪、空间归一化或配 准等）。 DLTK的目标是提供解决这些问题的模块 ，为专家提供成熟的医学图像领域的深度学习平台 。
深度学习原理与Tensorflow实践
10.5
黄理灿 ©2019
开源医学图像分析平台DLTK
DLTK提供了多种数据读入方法。具体选取何种方法取决于其性能 方面的权衡、以及在训练期间可能成为瓶颈等因素。 使用记忆和馈送词典 ：先从磁盘读取所有.nii文件， 并将所有训练 样本存储在内存中。通过创建一个网络图节点tf.placeholder，将内 存保存的数据在训练期间通过feed_dict馈送到网络图节点 tf.placeholder。因为它避免了从磁盘连续读取数据，这个方法通常 最快且最容易实现的。然而，需要将整个数据库中的样本数据（包 括训练示例和验证示例）保存在内存中，这对于大型图像数据库或 大型图像文件是不可行的。
深度学习原理与Tensorflow实践
10.7
黄理灿 ©2019
开源医学图像分析平台DLTK
• 数据读取
• 使用本地的python生成器yield。 创建一个read_fn（）来直接加 载图像数据 。这种方法避免创建图像数据库的其他副本，但是 比TFRecords慢多了，因为生成器无法并行读取和映射函数。函 数中使用yield，可以使函数变成生成器。一个函数如果是生成一 个数组，就必须把数据存储在内存中，如果使用生成器，则在调 用的时候才生成数据，可以节省内存。 生成器方法调用时，不 会立即执行。需要调用next()或者使用for循环来执行。 可以把 yield的功效理解为暂停和播放。在一个函数中，程序执行到yield 语句的时候，程序暂停，返回yield后面表达式的值，在下一次调 用的时候，从yield语句暂停的地方继续执行，如此循环，直到函 数执行完。除了next函数之外，还有send函数也能获得生成器的 下一个yield后面表达式的值，不同的是send函数可以向生成器 传参。
第十章 TensorFlow案例--医学应用
第十章 TensorFlow案例--医学应用
开源医学图像分析平台DLTK 1. 开源医学图像分析平台DLTK安装运行 2. 开源医学图像分析平台DLTK 使用 3. 开源医学图像分析平台DLTK案例 4. 开源医学图像分析平台DLTK模型
深度学习原理与Tensorflow实践
源码安装可以用import dltk 导入自己修改的代码。 运行：
下载数据：到data/IXI_HH 目录， 运行python download_IXI_HH.py examples/tutorials 目录中有培训代码。 examples/applications中有应用代
码。 Dltk/networks 目录中 有模型代码。 cd MY_WORKSPACE_DIRECTORY/DLTK jupyter notebook --ip=* --port MY_PORT
深度学习原理与Tensorflow实践
10.9
黄理灿 ©2019
开源医学图像分析平台DLTK
空间标准化
深度学习原理与Tensorflow实践
10.10
黄理灿 ©2019
开源医学图像分析平台DLTK
数据增强 由于获取样本数据费时、费力和费钱，通常情况下样本的数据量有限，不可能涵
盖全部所需的变化。如软组织器官存在各种各样的正常形状、 病变（如癌症） 的形状以及位置的变化。我们可以通过生成模拟数据来增加训练图像样本数 量。这种方法称之为数据增强。数据增强分为强度增强和空间增强。强度增 强一般有向训练图像添加噪声图像、 添加随机偏移或对比度的图像。空间增 强一般有添加在预期对称的方向上翻转图像张量（如在脑部扫描时左/右翻 转），随机变形（如模仿器官形状的差异），沿轴的旋转（如用于模拟不同 的超声视角），对补丁进行随机裁剪和训练等数据。
安装： pip install tensorflow-gpu>=1.4.0 pip install dltk
或者源码安装： cd MY_WORKSPACE_DIRECTORY git clone https://github.com/DLTK/DLTK.git
或源码下载的是zip文件，解压后， cd DLTK pip install –e .