Документация

Считывание объемных данных

Поддерживаемые форматы файлов для объемных данных изображения включают файлы MAT, файлы Digital Imaging and Communications in Medicine (DICOM) и файлы Инициативы по технологии нейровизуализации информатики (NIfTI).

Считывание данных объемного изображения в ImageDatastore. Считывание объемных данных метки пикселя в PixelLabelDatastore(Панель инструментов компьютерного зрения). Дополнительные сведения см. в разделе Хранилища данных для глубокого обучения.

В таблице показано типичное использование imageDatastore и pixelLabelDatastore для каждого из поддерживаемых форматов файлов. При создании хранилища данных укажите 'FileExtensions' аргумент в качестве расширений файлов данных. Укажите ReadFcn свойство как дескриптор функции, считывающий данные формата файла. filepath аргумент указывает путь к файлам или папке, содержащим данные изображения. Для изображений меток пикселов дополнительные classNames и pixelLabelID аргументы определяют соответствие значений меток вокселя именам классов.

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

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

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

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

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

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

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

Связать данные изображения и метки

Чтобы связать данные объемного изображения и метки для семантической сегментации или два хранилища данных объемного изображения для регрессии, используйте randomPatchExtractionDatastore(Панель инструментов обработки изображений). Хранилище данных для извлечения случайных исправлений извлекает соответствующие случайно расположенные исправления из двух хранилищ данных. Патчинг - распространенный метод предотвращения нехватки памяти при тренировках с произвольно большими объёмами. Определите размер участка, который соответствует входному размеру сети и, для эффективности памяти, меньше, чем полный размер объема, такой как 64 64 64 voxels.

Вы также можете использовать combine для связывания двух хранилищ данных. Однако связывание двух хранилищ данных с помощью randomPatchExtractionDatastore имеет несколько преимуществ combine.

Объемные данные предварительной обработки

Глубокое обучение часто требует предварительной обработки и расширения данных. Например, может потребоваться нормализовать интенсивность изображения, повысить контрастность изображения или добавить рандомизированные аффинные преобразования для предотвращения переоборудования.

Для предварительной обработки объемных данных используйте transform функция. transform создает измененную форму хранилища данных, называемую базовым хранилищем данных, путем преобразования данных, считываемых базовым хранилищем данных, в соответствии с набором операций, определенных в пользовательской функции. Toolbox™ обработки изображений предоставляет несколько функций, которые принимают объемный ввод. Для полного списка функций посмотрите 3D Объемную Обработку изображения (Комплект инструментов Обработки изображения). Объемные изображения также можно предварительно обрабатывать с помощью функций MATLAB ®, работающих с многомерными массивами.

Пользовательская функция преобразования должна принимать данные в формате, возвращаемом read функция базового хранилища данных.

A RandomPatchExtractionDatastore объект не поддерживает DataAugmentation свойство для объемных данных. Чтобы применить случайные аффинные преобразования к объемным данным в хранилище данных этого типа, необходимо использовать transform функция.

transform функция должна возвращать данные, соответствующие входному размеру сети. transform функция не поддерживает сопоставления «один ко многим».

dsTrain = transform(volDS,@(x) preprocessVolumetricImage(x,inputSize));

function dataOut = preprocessVolumetricImage(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(volPatchDS,@(x) augmentVolumetricPatch(x));

function dataOut = augmentVolumetricPatch(data)

img = data.InputImage{1};
resp = data.ResponsePixelLabelImage{1};

% 5 augmentations: none, 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 augmented data as a table
dataOut = table({imgOut},{respOut}, ...
    'VariableNames',["InputImage" "ResponsePixelLabelImage"]);

end