Sweety_Lin的博客

任务描述：临床特征 和 影像组学特征 保存在 excel 文件中，需要进行 特征筛选，然后再将筛选出来的特征利用逻辑回归进行二分类。有如下几个问题和需求： 1. excel 中的特征都是以 str 的形式写入表格中的，读取的时候要转换成数字形式；特征之间的尺度不一样，读取出来之后需要按列进行归一化；2. excel 中保存的标签为符号格式：IA, MIA, AAH,...

原始图像为dicom格式，mask图像为nrrd格式，单个subject影像组学特征提取

import osdef count_file_number(filepath, filetype): count = 0 for root, dirname, filenames in os.walk(filepath): for filename in filenames: if os.path.splitext(filename)[1] == filetype: count += 1 return .

import SimpleITK as sitkimport osdef dcmseries2nrrd(filepath, subID): datapath = os.path.join(filepath, subID) dcms_name = sitk.ImageSeriesReader.GetGDCMSeriesFileNames(datapath) dcms_read = sitk.ImageSeriesReader() dcms_read.SetFileNa.

任务描述现在想预测一个项目的 profit，影响 profit 的变量主要有以下三个：R & D profitAdministrationMarketing Spend数据信息这些数据保存在excel表格里格式如下（部分数据）：数据链接????：Multiple-Linear-Regression dataset借助散点图来看一下每种因素与 profit 的相关趋势从散点图中可以看出，R&D spend 以及 marketing spen.

如下图所示的 excel 文件，想跳过标题行，读取数据矩阵：代码如下：import numpy as npimport xlrdfrom sklearn import preprocessingdef excel_to_matrix(path, data_norm=True): table = xlrd.open_workbook(path).sheets()[0] row = table.nrows col = table.ncols datama.

需要解决的问题：1. 逐行读取 txt 文件中的训练记录2. 提取 每行中的 loss、epoch 数据信息3. 针对每个 epoch 的多个 batch 计算一个 mean_losstrain_log 中的数据信息和格式：Python 代码import reimport matplotlib.pyplot as pltimport os.path as ospfullpath = osp.abspath('./train_log.txt')filedir,

问题描述 三门问题，亦称为蒙提霍尔问题（Monty Hall problem），出自美国的电视游戏节目Let's Make a Deal。问题名字来自该节目的主持人蒙提·霍尔（Monty Hall）。参赛者会看见三扇关闭了的门，其中一扇的后面有一辆汽车，选中后面有车的那扇门可赢得该汽车，另外两扇门后面则各藏有一只山羊。当参赛者选定了一扇门，但未去开启它的时候，节目主持人开启剩下两扇门的其中一扇，露出其中一只山羊。主持人其后会问参赛者要不要换另一扇仍然关上的门。问题是：换另一扇门是否会增加参...

# 1. ROC 计算产生 fpr, tpr, thresholdfpr, tpr, thresholds = roc_curve(label, pred)# 2. 指定要写入的文件名(csv无需自己创建)file_name = 'fpr_tpr_threshold.csv'# 3. 写入csvfile = open(file_name, 'wt', encoding="UTF8")writer = csv.writer(csvfile, delimiter=",")# 标题行写入he.

之前在文章：https://blog.youkuaiyun.com/Sweety_Lin/article/details/104199580 中写的DICE计算程序，是将Nii的整个volume计算在内，现想提取T2中有lesion的特定层面来计算DICE：import nibabel as nibimport scipy.io as ioimport osimport numpy as npi...

有 200幅 分割图像和其对应的 ground truth，现利用 python 语言计算 DICE 系数，评估分割结果import nibabel as nibimport scipy.io as ioimport osimport numpy as npimport tensorflow as tffrom keras import backend as Kdef dic...

import matplotlibmatplotlib.use('Agg')# 使程序运行过程中不显示图形窗口import matplotlib.pyplot as plttrainHist, valHist = training.trainNetwork(...)plt.xlabel('epoch')plt.ylabel('loss')plt.plot(valHist, label='validation loss')plt.plot(trainHist, label='trai.

import numpy as npimport cv2# 如果没有安装 cv2 模块，可以使用命令 # pip install opencv-python==4.4.0.46 来安装# 其中 4.4.0.46 是 Opencv 的版本listdata = [[1, 0, 1], [0, 1, 0], [0, 0, 1]]image_arr = np.array(listdata)cv2.imwrite("filename.png", image_arr)...

import scipy.io as iotrainHist, valHist = training.trainNetwork(...)# 要保存的变量应该是numpy array# 如果不是，比如保存的时候报错为“list”# 则要先转换为numpy array# data = np.array(data)mat_path = '../losssave/train_loss_N2V.mat'io.savemat(mat_path, {'train_loss': trainHist}).

import nibabel as nibimport numpy as nppath='../data/'fileName='wr_Lac_78.nii'data = nib.load(path+fileName).get_fdata()data = data.transpose(2, 0, 1)data = np.nan_to_num(data)print(np.shape(data))