Документация

Считайте объемные данные изображения

Поддерживаемые форматы файлов для объемных данных изображения включают MAT-файлы, Цифровую Обработку изображений и Коммуникации в Медицине (DICOM) файлы и Нейрообработка изображений Технологической Инициативы Информатики (NIfTI) файлы.

Можно считать объемные данные изображения в ImageDatastore. Когда вы создаете datastore изображений, задаете аргумент 'FileExtensions' как расширения файла ваших данных. Задайте свойство ReadFcn как указатель на функцию, который считывает данные формата файла. Для получения дополнительной информации смотрите Хранилища данных для Глубокого обучения.

Таблица показывает, как создать datastore изображений для каждых из поддерживаемых форматов файлов. Аргумент filepath задает путь к файлам или папке, содержащей данные изображения.

volds = imageDatastore(filepath, ...
   'FileExtensions','.mat','ReadFcn',@(x) matRead(x));

function data = matRead(filename)
% data = matRead(filename) reads the image data in the MAT-file filename

inp = load(filename);
f = fields(inp);
data = inp.(f{1});
end

volds = imageDatastore(filepath, ...
   'FileExtensions','.dcm','ReadFcn',@(x) dicomread(x));

volds = imageDatastore(filepath, ...
   'FileExtensions','.nii','ReadFcn',@(x) niftiread(x));

Считайте объемные данные о метке для семантической сегментации

Чтобы выполнить семантическую сегментацию объемных данных, у вас должны быть метки, соответствующие данным изображения.

Можно считать объемные данные о метке в PixelLabelDatastore. Когда вы создаете пиксельный datastore метки, задаете аргумент 'FileExtensions' как расширения файла ваших данных. Задайте свойство ReadFcn как указатель на функцию, который считывает данные формата файла.

Таблица показывает, как создать пиксельный datastore метки для каждых из поддерживаемых форматов файлов. Аргумент filepath задает путь к файлам или папке, содержащей данные о метке. Аргументы classNames и pixelLabelID задают отображение значений метки воксела к именам классов.

pxds = pixelLabelDatastore(filepath,classNames,pixelLabelID, ...
    'FileExtensions','.mat','ReadFcn',@(x) matRead(x));

function data = matRead(filename)
% data = matRead(filename) reads the label data in the MAT-file filename

inp = load(filename);
f = fields(inp);
data = inp.(f{1});
end

pxds = pixelLabelDatastore(filepath,classNames,pixelLabelID, ...
   'FileExtensions','.dcm','ReadFcn',@(x) dicomread(x));

pxds = pixelLabelDatastore(filepath,classNames,pixelLabelID, ...
   'FileExtensions','.nii','ReadFcn',@(x) niftiread(x));

Объединенные данные об изображении и метке

Чтобы сопоставить объемное изображение и данные о метке для семантической сегментации или два объемных хранилища данных изображений для регрессии, используют randomPatchExtractionDatastore. Случайный datastore экстракции закрашенной фигуры извлекает соответствующие случайным образом расположенные закрашенные фигуры от двух хранилищ данных. Исправление является общим методом, чтобы предотвратить исчерпывание памяти когда обучение с произвольно большими объемами. Задайте размер закрашенной фигуры, который совпадает с входным размером сети и, для эффективности памяти, меньше, чем полный размер объема, такой как 64 64 64 вокселами.

Можно также использовать функцию combine, чтобы сопоставить два хранилища данных. Однако соединение двух хранилищ данных с помощью randomPatchExtractionDatastore обладает несколькими преимуществами по combine.

Предварительно обработайте объемные данные

Глубокое обучение часто требует, чтобы данные были предварительно обработаны и увеличены. Например, можно хотеть нормировать интенсивность изображений, улучшить контрастность изображений или добавить рандомизированные аффинные преобразования, чтобы предотвратить сверхподбор кривой.

Чтобы предварительно обработать объемные данные, используйте функцию transform. transform создает измененную форму datastore, названного underlying datastore, путем преобразования данных, считанных базовым datastore согласно набору операций, которые вы задаете в пользовательской функции. Image Processing Toolbox™ обеспечивает несколько функций, которые принимают объемный вход. Для полного списка функций смотрите 3-D Объемную Обработку изображений (Image Processing Toolbox). Можно также предварительно обработать объемные изображения с помощью функций в MATLAB®, которые работают над многомерными массивами.

Пользовательская функция преобразования должна принять данные в формате, возвращенном функцией read базового datastore.

dsTrain = transform(volds,@(x) preprocessVolumetricIMDS(x,inputSize));

function dataOut = preprocessVolumetricIMDS(data,inputSize)
 
numRows = size(data,1);
dataOut = cell(numRows,1);
 
for idx = 1:numRows
    
    % Perform randomized 90 degree rotation about the z-axis
    data = imrotate3(data{idx,1},90*(randi(4)-1),[0 0 1]);

    % Resize the volume to the size expected by the network
    dataClean = imresize(data,inputSize);
    
    % Add zero-mean Gaussian noise with a normalized variance of 0.01
    dataNoisy = imnoise(dataClean,'gaussian',0.01);

    % Return the preprocessed data
    dataOut(idx) = dataNoisy;
    
end
end

dsTrain = transform(volds,@preprocessVolumetricPatchDS);

function dataOut = preprocessVolumetricPatchDS(data)

img = data(1);
resp = data(2);

% 5 augmentations: nil,rot90,fliplr,flipud,rot90(fliplr)
augType = {@(x) x,@rot90,@fliplr,@flipud,@(x) rot90(fliplr(x))};

rndIdx = randi(5,1);
imgOut = augType{rndIdx}(img);
respOut = augType{rndIdx}(resp);

% Return the preprocessed data
dataOut = table(imgOut,respOut};

end