NiftyNet是一款开源的卷积神经网络平台，专门针对医学图像处理分析,上一篇博客已经详细介绍了这个平台，接下来让我简单介绍一下目前我了解到的使用方法。更详细的使用方法、以及配置过程请查看NiftyNet官方文档：https://niftynet.readthedocs.io/en/latest/config_spec.html
目录：
1.NiftyNet层结构介绍
2.运行NiftyNet demo所需的指令格式
3.配置文件部分参数介绍
（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层结构介绍
NiftyNet有很强的易用性,数据层,应用层,网络层等是完全独立的,
（1）数据层(NiftyNet/niftynet/io),负责医学图像的读取,目前读取器有以下几种:
- nibabel 支持 .nii医学文件格式
- simpleith 支持 .dcm和 .mhd格式的医疗图像
- opencv 支持 .jpg等常见图像读取，读取后通道顺序为BGR
- skimage 支持 .jpg等常见图像读取
- pillow 支持 .jpg等常见图像读取，通道顺序为RGB
（2）应用层(NiftyNet/niftynet/application),目前支持的应用有以下几种：
- 分割 (segmentation_application.py)
- 分类 (classification_application.py）
- Autoencoder
- Gan生成网络
- 回归
（3）网络层(NiftyNet/niftynet/network)，这个里面包含了已经实现的一些网络,resnet,dense_vnet,等,我们可以创建自己的网络结构后放在这个文件夹
2.运行NiftyNet demo所需的指令格式
（1） 运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数据更新已存在的网络模型
inference：inference将加载已存在的网络模型根据提供的数据生成响应
-c：后跟配置文件路径(有关配置文件的内容见第3个知识点)
-a：跟将要import的应用种类
（2）NiftyNet的应用层已经自带了5种应用，那么如何运行这些应用呢？
图像分割
# command net_run -a niftynet.application.segmentation_application.SegmentationApplication -c ... # alias(别名): net_segment -c ...
图像回归
# command net_run -a niftynet.application.regression_application.RegressionApplication -c ... # alias(别名): net_regress -c ...
自动编码器
# command net_run -a niftynet.application.autoencoder_application.AutoencoderApplication -c ... # alias(别名): net_autoencoder -c ...
生成对抗网络
# command net_run -a niftynet.application.gan_application.GANApplication -c ... # alias(别名): net_gan -c ...
3.配置文件部分参数介绍
（1）每个网络想要运行必须包含一个config.ini配置文件，用来设置训练/测试所用的全部参数，详细如下：
每个配置文件中必须包含三个sections:
* [SYSTEM]
* [NETWORK]
* [APPLICATION] (自己定义.如[SEGMENTATION],[GAN],等)
如果train行为被需要，则`[TRAINING]`和`[Input data source]`需要被定义，其中`[Input data source]`这个section可以自定义命名
如果inference行为被需要，则需要定义`[INFERENCE]`和`[Input data source]`，其中`[Input data source]`这个section可以自定义命名
以NiftyNet自带的分割脑部Demo为例子，其运行指令和配置文件如下图所示：
运行指令：
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）接下来让我们看看每个部分的参数的含义
[Input data source]
* csv_file: 输入图像路径
* path_to_search: 搜索图像的单个或多个文件，如果有多个用逗号分开
* filename_contains: 匹配文件名的关键词
* filename_not_contains: 排除文件名的关键词
* filename_removefromid: 从文件命中抽取主题id的正则表达式，被匹配的模式将从文件名中移除并生成主题id。
* interp_order: 插值法，当设定采样方法为resize时，需要该参数对图片进行上采样或下采样，0表示最近插值，1表示双线性插值，3表示三次样条插值，默认为3
* pixdim： 如果被指定，输入volum在被喂给网络之前将被重采样成voxel尺寸
* axcodes： 如果被指定，输入volum在被喂给网络之前将被调整为坐标码(axes code)
* spatial_window_size: 输入到网络中的图片尺寸，需指明三个维度，第一个和第二个分别表示图片的长和宽，第三个如果为1表示使用2d卷积，否则使用3d卷积
* loader： 图片读取器，默认值None将尝试所有可得到的读取器
[System]
* cuda_devices: 设置tensorflow的CUDA_VISIBLE_DEVICES变量
* num_threads: 设置训练的预处理线程数
* num_gpus: 设置训练的GPU的数量
* model_dir: 训练模型的保存和加载路径
* dataset_split_file: 文件分配科目到子集
* event_handler: 事件处理器
[NETWORK]
* name: niftynet/network中的网络类或用户自定义的模块
* activation_function: 网络的激活函数集合
* batch_size: 设置每次迭代图像窗口的数量
* smaller_final_batch_mode: 当batch_size的窗口采样器总数是不可见的时支持最后的batch使用不同的模式
可选类型有：
drop: 终止剩余的batch
pad: 用-1填补最后更小的batch
dynamic: 直接输出剩余的batch
* reg_type: 可训练的正规化参数的类型
* decay: 正规化的强度，用于预防过拟合
* volume_padding_size: 图片的填补值
* window_sampling: 进入网络的图片的采样方法
uniform: 输出的图片保持原本大小
weighted: 对成比例的voxel的采样到累积直方图的似然
balanced: 每个标签都被采样的可能性同样
resize: 将进入网络的图片首先resize到spatial_window_size
* queue_length: NiftyNet会设置两个队列，一个负责从数据集中读取数据并扰乱，另一个从前一个队列中读取batch_size张图片输入网络，这个参数是指第一个队列的长度，最小值为batch_size \* 2.5
* keep_prob: 如果失活被网络支持的话，每个元素存活的可能性
[Volume-normalisation]
* normalisation: 指示直方图标准化是否应该被应用于数据
* whitening: 只是被加载的图片是否应该被增白，如果是，输入I，返回(I - mean(I)) / std(I)
* histogram_ref_file: 标准化参数的文件
* norm_file: 基于直方图的标准化的直方图landmark类型
* cutoff: 下级和上级的基于直方图的标准化的截断
* normalise_foreground_only: 指示一个mask是否需要被基于前景或多样前景进行计算，如设置True，所有的标准化步骤都将被应用于生成前景区
* foreground_type: 生成一个前景mask，并且它只用于前景
* mutimod_foreground_type: 结合前景mask和多模态的策略
可选类型：
or: 可得到的masks的合集
and: 可得到的mask的交集
all: mask从每个模态独立计算
[TRAINING]
* optimiser: 计算图梯度优化器的类型，支持adagrade，adam，gradientdescent，momentum，rmsprop，nesterov
* sample_per_volume：每张图的采样次数
* lr: 学习率
* loss_type: loss函数的类型，支持segmentation,regression,autoencoder,gan
* starting_iter: 设置重新训练模型的迭代次数
* save_every_n: 保存当前模型的频率，0为不保存
* tensorboard_every_n: 计算图中的元素和写到tensorboard上的频率
* max_iter: 最大训练迭代次数
[Validation during training]
* validation_every_n: 每n次迭代运行一次验证迭代
* validation_max_iter: 验证迭代运行的次数
* exclude_fraction_for_validation: 用于验证的数据集的比例
* exclude_fraction_for_inference: 用于推断的数据集的比例
[Data augmentation during traning]
* rotation_angle: 指示输入的图片旋转一个随机的旋转
* scaling_percentage: 指示一个随机的缩放比例(-50,50)
* random_flipping_axes: 可以翻转增强数据的轴
[INFERENCE]
* spatial_window_size: 指示输入窗口的大小(int array)
* border: 一个用于修剪输出窗口大小的边界值(int tuple)，如设置(3,3,3)，将把一个(64\*64\*64)的窗口修剪为(58\*58\*58)
* inference_iter: 指定已训练的模型用于推测(integer)
* save_seg_dir: 预测目录的名字
* output_postfix: 向每一个输出文件的名称后添加后缀
* output_interp_order: 网络输出的推断顺序
* dataset_to_infer: 字符串指定计算推理的数据集（‘training’, ‘validation’, ‘inference’）
[EVALUATION]
* save_csv_dir: 存储输出的csv文件的路径
* evaluations: 要计算的评价指标列表以逗号分隔的字符串表示，每个应用程序可能的评估指标列表可用于回归评估、分段评估和分类评估
* evaluation_units: 描述在分割的情况下应该如何进行评估，foreground: 只对一个标签 ，label：对每一个标签度量，cc: 对每个连接组件度量
参考：https://blog.csdn.net/PKnotnull/article/details/80378824#inference
以上就是本次有关Niftynet的相关知识学习，欢迎交流！