医学图像处理入门 | CamelliaV の BLOG

type

status

date

slug

summary

MevisLab常用

用于医学图像（nii图，ply Mesh，etc.）可视化和常见处理模块

下载

如果进官网下载发现一片空白，就点击右上角English

然后自行下载安装

常用工作流

绘制标签覆盖图

以ACDC为例：

View2D看2D图，逐切片

imagePropertyConvert用于转换视图矩阵

View3D看3D图

Threshold与标签值对应，表明对应图片标签值筛选，后续接染色重叠模块

可以选中View2D模块后在右边视图设置窗宽窗位

如果没有这一视图，勾选view/layout/developer

Mesh相关

展示工作流（ASOCA为例）

平滑与约简

常见问题

读不出NIfTI（nii）图像

图片类型可能是unsigned int类型，用SimpleITK或者nibabel读取后用numpy转换float类型保存再打开

示例代码：

python


import SimpleITK as sitk
import numpy as np

def process_image(input_path, output_path):
    image = sitk.ReadImage(input_path)
    image_array = sitk.GetArrayFromImage(image).astype(np.float32)
    processed_image = sitk.GetImageFromArray(image_array)
    processed_image.SetSpacing(image.GetSpacing())
    processed_image.SetOrigin(image.GetOrigin())
    processed_image.SetDirection(image.GetDirection())
    sitk.WriteImage(processed_image, output_path)

process_image("registered_label.nii.gz", "registered_label.nii.gz")

Linux相关

SSH连接

对于一般用户在/home/用户名下，对root用户在/root下，创建.ssh文件夹，在其下创建authorized_keys文件

里面写入公钥

在vscode里按下ctrl+shift+p打开命令搜索ssh配置文件

打开后写入类似下文内容

主机名

服务器IP

用户名

端口

私钥位置

然后可以在remote explorer里找到SSH远程连接主机

如果仍连接不上，考虑：

1.主机是否安装ssh服务

2.是否允许ssh端口

3.公钥是否成功写入

4.当前用户是否具有连接的默认文件夹（一般是/home/用户名）的访问权限

Windows下：

生成公私钥命令：ssh-keygen -t rsa -b 4096

写入远程主机authorized_keys命令案例： scp E:/Core/ssh-lab/id_rsa.pub root@192.168.150.101:/root/.ssh/authorized_keys

tree指令的替代

用于查看文件的层次树形图，可用于VSCode SSH连不上的情况。

shell


ls -R | grep ":$" | sed -e 's/:$//' -e 's/[^-][^\/]*\//--/g' -e 's/^/   /' -e 's/-/|/'

tmux相关

用于ssh挂任务，可以在ssh会话断开后继续训练任务。

tmux 启动新窗口

启动成功后会出现以下紫色条

按键ctrl + b之后按d 回到原本的session（tmux开的不会退出，直到主动exit）

tmux list-sessions查看已开启会话

tmux attach -t 0（如上方的会话id）回到相应会话

按键ctrl + b之后按 [ 键可以向上鼠标滚轮或按上方向键进行滑动查看输出

常用模块与库

TensorBoard可视化训练

简单示例

python


from tensorboardX import SummaryWriter
tb_writer = SummaryWriter(log_dir=f'{dirs["tensorboard_out_dir"]}exp{fold}')
tags = ["eval_loss", "learning_rate", "loss_ce", "loss_dc", "loss_kl", "loss_focal"]
tb_writer.add_scalar(tags[0], mean_tloss / len(train_data), epoch)
tb_writer.add_scalar(tags[1], scheduler.get_last_lr(), epoch)
tb_writer.add_scalar(tags[2], mean_tloss_ce / len(train_data), epoch)
tb_writer.add_scalar(tags[3], mean_tloss_dc / len(train_data), epoch)
tb_writer.add_scalar(tags[4], mean_tloss_kl / len(train_data), epoch)
tb_writer.add_scalar(tags[5], mean_tloss_focal / len(train_data), epoch)
tb_writer.close()

CE Loss与Dice Loss

CE loss Pytorch也有实现，Dice没有

简单示例

python


class CELoss(nn.Module):
  def __init__(self):
    super().__init__()

  def forward(self, y_true, y_pred):
    smooth = 1e-6
    return -torch.mean(y_true * torch.log(y_pred + smooth))

class DiceLoss(nn.Module):
  def __init__(self):
    super(DiceLoss, self).__init__()

  def forward(self, logits, targets):
    class_num = logits.size(1)
    dice_sum = 0
    x = 0
    y = 0
    for i in range(class_num):
      inter = torch.sum(logits[:, i, :, :] * targets[:, i, :, :])
      union = torch.sum(logits[:, i, :, :]) + torch.sum(targets[:, i, :, :])
      dice = (2.0 * inter + 1) / (union + 1)
      dice_sum += dice
    return 1 - dice_sum / class_num

换卡训练

示例：export CUDA_VISIBLE_DEVICES=3 切换为3号卡

多卡用,分隔写多个就行

可以os模块的环境变量写入程序中

nnUNet

网络的源码不在nnUNet仓库里，在以下仓库：

点云可视化

可使用