Документация

Чтение объемных данных

Поддерживаемые форматы файлов для объемных данных изображений включают MAT-файлы, файлы Digital Imaging and Communications in Medicine (DICOM) и файлы Neuroimaging Informatics Technology Initiative (NIfTI).

Считайте данные объемного изображения в ImageDatastore. Считайте объемные данные о пиксельных метках в PixelLabelDatastore (Computer Vision Toolbox). Для получения дополнительной информации смотрите Datastores для глубокого обучения.

Таблица показывает типичные использования imageDatastore и pixelLabelDatastore для каждого из поддерживаемых форматов файлов. Когда вы создаете datastore, задайте 'FileExtensions' аргумент как расширения файлов ваших данных. Задайте ReadFcn свойство как указатель на функцию, который считывает данные формата файла. The filepath аргумент задает путь к файлам или папке, содержащей данные изображения. Для пиксельных изображений с меткой, дополнительные classNames и pixelLabelID аргументы определяют отображение значений меток вокселей 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));

Связывание изображений и данных о метках

Чтобы связать объемное изображение и данные меток для семантической сегментации или два хранилища данных объемных изображений для регрессии, используйте randomPatchExtractionDatastore (Image Processing Toolbox). Datastore случайного извлечения закрашенных фигур извлекает соответствующие случайным образом расположенные закрашенные фигуры из двух хранилищ данных. Исправление является распространенным методом, чтобы предотвратить истощение памяти при обучении с произвольно большими томами. Определите размер закрашенной фигуры, который соответствует размеру входа сети и, для эффективности памяти, меньше, чем полный размер объема, таков как воксели 64 на 64 на 64.

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

Предварительная обработка объемных данных

Глубокое обучение часто требует предварительной обработки и увеличения данных. Для примера можно хотеть нормализовать интенсивность изображения, улучшить контрастность изображения или добавить рандомизированные аффинные преобразования, чтобы предотвратить сверхподбор кривой.

Для предварительной обработки объемных данных используйте transform функция. transform создает измененную форму datastore, называемую underlying datastore, путем преобразования данных, считанных базовым datastore, в соответствии с набором операций, заданным в пользовательской функции. Image Processing Toolbox™ обеспечивает несколько функций, которые принимают объемный вход. Полный список функций см. 3-D разделе «Объемная обработка изображений» (Image Processing Toolbox). Можно также предварительно обработать объемные изображения с помощью функций в MATLAB^® которые работают с многомерными массивами.

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

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

transform функция должна возвращать данные, которые совпадают с входом сети. transform функция не поддерживает отображений наблюдений «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