fanre的专栏

通道数的话，论文中使用的是C1=32, C2=64, C3=128, C4=160，C5=256，前面三个都是成倍变化的，因为是卷积么，论文中提filters数减少了，从而参数和计算都减少了。所有这些计算都是在嵌入维度H上执行的，它明显小于特征映射H/N × H/N的维度，其中N是与block相关的2的整数倍。实际上是一个MLP block中的卷积层，对于位置编码的能力要比标准的位置编码技术要强，比如ViT中的ones位置编码技术，如果测试和训练的分辨率不一致时，会导致性能下降。

一、下载基于imagenet21k的vit预训练参数。二、将数据转换成npz格式，裁剪数值范围在[-125,275]之间的数据，并归一化到[0,1]，将3D volume转换成2D slices。但是测试的之后在h5格式的数据中依旧使用3D volume进行测试。三、训练预测//attention机制 //MLP初始化// //embedding计算patch大小、个数//patch embedding //pos

一、背景知识True positives (TP):实际正样本，被预测成正样本。 True negatives (TN)：实际负样本，被预测成负样本。 False positives (FP)：实际正样本，被预测成正样本。 False negatives (FN)：实际负样本，被预测成负样本。实际上在分割中的TP、TN、FP、FN的具体含义见图1，图1、分割中TP、TN、FP、FN的区域定义Confusion Matrix：可以简单的理解为统计TP、TN、FP、FN的表.

参考的是这篇博文，mmsegmentation训练自己的任务 - 知乎1、安装mmcv，参考GitHub - open-mmlab/mmcv: OpenMMLab Computer Vision Foundation pip install mmcv-full=={mmcv_version} -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.10.0/index.html 2、下载mmsegmentation,地

https://arxiv.org/abs/2010.14808https://github.com/JunMa11/AbdomenCT-1K

https://arxiv.org/abs/2010.14808https://github.com/JunMa11/AbdomenCT-1KAbdomenCT-1K: Is Abdominal Organ Segmentation A Solved Problem? 摘要：在许多基准数据集上，看起来腹部主要器官的自动分割已经解决了。但实际上现有的腹部基准数据集都只包含single-center、single-phase、single-vendor、或single-disease，其他情..

训练的时候卡死了1、重启电脑参考https://blog.youkuaiyun.com/SongGu1996/article/details/877125461、进入tty终端：Ctrl+Alt+F1 2、登录： 3、关闭桌面：sudo pkill Xorg2、查看swap够不够free -h3、打开swap：/etc/fstab中swap注释掉的部分打开 sudo swapon-a4、注意显卡启动顺序，好像第一块显卡会加载数据和参数，所以有大小不一的显卡，尽量第一块用好的参考（https:.

基于深度学习的宫颈癌高剂量率后装放疗危及器官自动勾画https://www.hug.ch/sites/interhug/files/structures/pinlab/documents/radoncol2021.pdf总的来说，感觉通篇有点灌水的嫌疑。。。

https://www.sciencedirect.com/science/article/pii/S0167814021062174看了这篇论文，结果做的很细致、很详实，不过还是感觉有点虚~首先讲的是设计理念1、先通过2.5D Unet网络来分割thorax，2、根据预测的thorax中的Lungs和一些经验边界值来划分body part3、根据划分的部位来分别预测。使用的方法head neck Uanet（deepvoxel自己的） t...

https://arxiv.org/ftp/arxiv/papers/2004/2004.08790.pdf

https://arxiv.org/abs/2105.05537首先这是一个2D图像网络

参考：http://cgm.cs.mcgill.ca/~godfried/teaching/cg-projects/98/normand/main.htmlhttps://www.cnblogs.com/icmzn/p/8531719.html

__init__.py表示该文件夹目录是一个模块(module）from __future__ import absolute_import#引用当前系统环境下的对象，而不是当前文件夹同名的文件from . import *#导入当前文件夹下的所有文件Task017_BeyondCranialVaultAbdominalOrganSegmentation.py# Copyright 2020 Division of Medical Image Computing, German

from __future__ import absolute_import即先在本目录下寻找模块。但是如果本目录中有模块名与系统(sys.path)模块同名冲突，而想要引用的是系统模块时，该声明就能够起作用了。__init__.py可以使得当前目录变成module package...

default_num_threads=8 就是线程数默认是8，如果预处理或者数据载入的时候卡死了，就调小一点。RESAMPLING_SEPARATE_Z_ANISO_THRESHOLD=3主要是判断spacing比较小的数据是否需要重采样，预处理或者推理的时候会用到，因为一般的数据扩增会到3真个范围。my_output_identifier = "nnUNet"#根目录default_plans_identifier = "nnUNetPlansv2.1"#会和trainer组合成训练参数.

计算patch size实际的移动的step步长#静态方法无需实例化就可以直接调用 @staticmethod def _compute_steps_for_sliding_window(patch_size: Tuple[int, ...], image_size: Tuple[int, ...], step_size: float) -> List[List[int]]: assert [i >= j for i, j in zip(image_size

https://github.com/MIC-DKFZ/nnUNet/blob/master/readme.mdnnU-Net在三维生物医学图像分割中，数据集属性如图像模态modality、图像尺寸sizes、体素间距spacings、类比class ratios等变化很大。例如，Liver and Liver Tumor Segmentation Challenge dataset中的图像是计算机断层扫描(CT)扫描，约512x512x512体素大，具有各向同性体素间隔，其强度值是定量的(Hou.

https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/data_format_inference.mdData format for Inference推理的数据格式必须与原始数据的格式相匹配(具体来说，图像的格式必须与imagesTr文件夹中的格式完全相同)。与前面一样，文件名必须以唯一标识符开头，后跟一个4位的模式标识符。下面是两个不同数据集的例子:Task005_Prostate:该任务有2种模式，因此输入文件夹中的文件必

https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/inference_example_Prostate.mdExample: inference with pretrained nnU-Net models这是一个循序渐进的示例，说明如何使用预先训练好的nnU-Net模型在Medical segmentnation Decathlon的Prostate数据集上运行inference。参照此处安装nnunet，确保所有路径都.

https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/training_example_Hippocampus.mdExample: 3D U-Net training on the Hippocampus dataset这是一个循序渐进的示例，介绍如何使用来自医学分割十项全能的海马数据集Hippocampus dataset from the Medical Segmentation Decathlon进行3D全分辨率训练3D f

https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/dataset_conversion.mdDataset conversion instructionsnnU-Net需要将数据转换成特定的格式，这种格式和Medical Segmentation Decathlon(MSD)很近似，但有不完全相同。nnUNet_raw_data_base文件夹是nnUNet入口点(用户在安装nnunet时需要指定这个文件夹)。每个分割数据都

https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/setting_up_paths.mdSetting up PathsnnU-Net依赖环境变量来知道原始数据raw data、预处理数据preprocessed data和训练过的模型权重trained model weights存储在何处。nnUNet_raw_data_base：这就是nnU-Net查找原始数据raw data并存储经过裁剪cropped data的数据

https://static-content.springer.com/esm/art%3A10.1038%2Fs41592-020-01008-z/MediaObjects/41592_2020_1008_MOESM1_ESM.pdfSupplementary information | nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation’Automated Design.

https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/tutorials/custom_preprocessing.md当你想要调整预处理preprocessing过程中resampling重采样的方式，或者你想要实现一个自定义归一化方案custom normalization scheme时，你需要创建一个新的自定义预处理类custom preprocessor class，以及一个实验规划器ExperimentPlanner来配合它

https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/tutorials/custom_spacing.md通过创建一个自定义的ExperimentPlanner来自定义的设置target spacing，让我们运行Medical Segmentation Decathlon.的一个例子Task002_Heart来阐述它，数据集比较小，所有运行起来不会有太大的困难。首先下载对应的数据集，然后使用nnUNet_convert_dec.

https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/tutorials/edit_plans_files.md改变plans files 可以使得训练更灵活：您可以脱离nnU-Net的默认配置，使用不同的U-Net拓扑结构topologies、批量大小batch sizes和块大小patch sizes。请参照补充材料中的6.2章节，也就是第13页。本教程的目标是演示如何阅读和修改计划文件plans files，以及如何在实验中.

https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/extending_nnunet.mdExtending/Changing nnU-Net把代码先下下来，然后参照着修改。Changes to blueprint parameters本节提供有关如何实现损失函数loss function，训练计划training schedule，学习率learning rates，优化器optimizer，一些架构参数architec

https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/common_questions.mdWhere can I find the segmentation metrics of my experiments?训练完成后，每个fold的验证集结果存储在各自的输出文件夹中。如：${RESULTS_FOLDER}/nnUNet/3d_fullres/Task003_Liver/nnUNetTrainerV2__nnUNetPlansv

https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/common_problems_and_solutions.mdCommon Issues and their SolutionsRuntimeError: Expected scalar type half but found float显卡太老了，没办法使用半精度，nnUNet_predict 和 nnUNet_train.只能使用fp32位，运行nnUNet_pred.

https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/common_problems_and_solutions.mdIntroduction推荐使用32G内存、6核12线程CPU、2080ti GPU、SSD存储数据Benchmark Details2d、3d_fullres、3d_fullres_large。 Task002_Heart、Task005_Prostate和Task003_Liver数据集能够较好的...

下载最新3D slicer并安装：https://download.slicer.org/图1、下载3D slicer打开3D slicer并导入数据再导入数据之前，先删掉无用的数据，避免勾画过程造成干扰。图2.1、删除无用数据（避免干扰）图2.2、删除无用勾画结果（避免干扰）图2.3 导入数据（直接拖拽即可）新建分割图3.1 选中segment Editor菜单图3.2 重命名segmentation集合（避免混淆最好与导入的数据对应）图3..