修改模型参数

[Candy13573]

您好！麻烦问一下您，如果在3_train.py line 41,42 将输入输出的通道数改为3，对应的应该修改模型代码中哪些参数？
我将新的数据用于训练，但只有3个模态。
非常感谢！

[Candy13573]

或是不需要修改，只需修改3_train.py line 41,42 将输入输出的通道数改为3即可？

[Candy13573]

还有一个问题麻烦您，我使用的数据的标签的是200,500....之类的，并非BraTS中的1,2,3，那在3_train.py中line 70
result = [(labels == 1) | (labels == 3), (labels == 1) | (labels == 3) | (labels == 2), labels == 3]
是否应该修改成result = [labels == 200, labels == 500...] 类似这样？以及line 111 c =3 是否也应该设置为标签的个数？
谢谢！

[ge-xing]

输入通道改为3即可，不需要修改其他代码。

如果你有三个标签，200 500 700，那么训练的时候你需要把200变成1 500 变成2 700变成3 这样才行。

[Candy13573]

那出现类似Assertion t >= 0 && t < n_classes failed. 这样的错误是否是 c 的值设置错误导致的？
我有五个标签，是否要改为 c = 5？
非常感谢您的解答！

[ge-xing]

c是什么？ 你这个错误就是标签不对

[Candy13573]

嗯好的，已经解决了，非常感谢！

[wakakaFF]

那出现类似Assertion t >= 0 && t < n_classes failed. 这样的错误是否是 c 的值设置错误导致的？ 我有五个标签，是否要改为 c = 5？ 非常感谢您的解答！

你好，请问你是怎么解决？

[Candy13573]

那出现类似Assertion t >= 0 && t < n_classes failed. 这样的错误是否是 c 的值设置错误导致的？ 我有五个标签，是否要改为 c = 5？ 非常感谢您的解答！

你好，请问你是怎么解决？

是“Assertion t >= 0 && t < n_classes failed.”这个问题么？应该是in_chans和out_chans的参数设置问题，in_chans是你输入的图像序列总数，out_chans是要分类的个数，加上背景

[wakakaFF]

那出现类似Assertion t >= 0 && t < n_classes failed. 这样的错误是否是 c 的值设置错误导致的？ 我有五个标签，是否要改为 c = 5？ 非常感谢您的解答！

你好，请问你是怎么解决？

是“Assertion t >= 0 && t < n_classes failed.”这个问题么？应该是in_chans和out_chans的参数设置问题，in_chans是你输入的图像序列总数，out_chans是要分类的个数，加上背景

好的谢谢。

[NetfriendT]

还有一个问题麻烦您，我使用的数据的标签的是200,500....之类的，并非BraTS中的1,2,3，那在3_train.py中line 70 result = [(labels == 1) | (labels == 3), (labels == 1) | (labels == 3) | (labels == 2), labels == 3] 是否应该修改成result = [labels == 200, labels == 500...] 类似这样？以及line 111 c =3 是否也应该设置为标签的个数？ 谢谢！

您好，我想请教一下换数据集方面的问题。我最近想试试actc数据集，文件夹大概是这样的。

我是应该按照原代码操作把三个影像以及两个seg合在一起吗？但我感觉这是不同时期的图像和seg应该不能随便合在一起。我是否应该只取patient001_frame01.nii.gz和patient001_frame01_gt.nii.gz进行训练？或者把patient001_4d.nii.gz和patient001_frame01.nii.gz合起来用patient001_frame01_gt.nii.gz作为seg训练？
另外您说的标签是200，500这种是怎么查看的呢，怎么知道自己标签的这种数据呢？

[wakakaFF]

还有一个问题麻烦您，我使用的数据的标签的是200,500....之类的，并非BraTS中的1,2,3，那在3_train.py中line 70 result = [(labels == 1) | (labels == 3), (labels == 1) | (labels == 3) | (labels == 2), labels == 3] 是否应该修改成result = [labels == 200, labels == 500...] 类似这样？以及line 111 c =3 是否也应该设置为标签的个数？ 谢谢！

您好，我想请教一下换数据集方面的问题。我最近想试试actc数据集，文件夹大概是这样的。

我是应该按照原代码操作把三个影像以及两个seg合在一起吗？但我感觉这是不同时期的图像和seg应该不能随便合在一起。我是否应该只取patient001_frame01.nii.gz和patient001_frame01_gt.nii.gz进行训练？或者把patient001_4d.nii.gz和patient001_frame01.nii.gz合起来用patient001_frame01_gt.nii.gz作为seg训练？ 另外您说的标签是200，500这种是怎么查看的呢，怎么知道自己标签的这种数据呢？

以我的理解。既然是不同时期的图像，我认为应当把patient001_4d.nii.gz和patient001_frame01.nii.gz合起来用patient001_frame01_gt.nii.gz作为seg训练，也就是模型in_channels=2。其次，你的seg图像应当只是分割出肿瘤（单器官），那么你的输出通道应该为2（因为我从代码的loss上看，输出的并不是分割出来的三维图像，而是对每个标签的概率），例如你的seg标签有0，1，2（对应两个器官和背景），其中1，2对应两个部位（器官），0对应的是背景。那么输出的三个通道，第一个通道对应的是多器官分割中第某个像素点对应为背景0的概率，第二个通道对应为1个概率，第三个通道对应为2的概率。最终的seg图像的每个像素点的类别是取这三个通道上概率最大的那个。在此之前，如果你的seg label仅为单器官分割，你需要把seg里分割出来的值改为1（背景为0）。你可以通过np.unique(seg_label)来查看你的seg_label的标签值（正常来说对于单器官应该为[0., X.]，X为seg里数据集设置的值）。你可以通过类似这样的代码来修改标签值。

希望我的回答能够帮助到你，如果有回答的不清楚的地方导致你还有疑问可以随时提问。

[NetfriendT]

@wakakaFF
感谢你的回答，我想法和你相似，我也认为应该把patient001_4d.nii.gz和patient001_frame01.nii.gz合起来用，因为从图像来看patient001_4d.nii.gz和patient001_frame01.nii.gz的切片一模一样，和第二时期的相差较大。
此外对于[(labels == 1) | (labels == 3), (labels == 1) | (labels == 3) | (labels == 2), labels == 3] 这行代码我还是不理解。1.2.3指的是某种标签图像的像素的什么属性数值吗？数值为1和3的像素表示一种肿瘤（或器官）区域？我之前以为1.2.3.或者200.500之类的是类似灰度值一样的东西，靠不同的数值划出三个区域，但现在来看这三个数值要匹配上两个才能划分出一个区域。但对于这个数值具体指什么我还是不明白。
另外这个标签和论文使用的Bra数据集一样也是划分三个区域的，我能直接使用1.2.3.吗，还是做什么修改？我想或许要用你说的np.unique(seg_label)来查看三个区域的标签值来修改[(labels == 1) | (labels == 3), (labels == 1) | (labels == 3) | (labels == 2), labels == 3] ？

[wakakaFF]

首先，我先假设你已经修改好了seg_label里的标签值，np.unique(seg_label)= [0., 1., 2., 3.]。其中0代表背景，1代表器官1，2代表器官2，3代表器官3。
其次，针对“[(labels == 1) | (labels == 3), (labels == 1) | (labels == 3) | (labels == 2), labels == 3]”这行代码的理解。正如我之前所说，模型的输出并不是分割出来的结果，而是一个三维图像中每个像素点属于哪个器官的概率值。也就是说模型的输出其实是一个多器官分割图，需要把这个多器官分割图分化成多个单器官分割图。因为brats数据集的特殊性，label里的分割区域并不是所需要分割出来的区域，这里举个例子来说比较好理解，假设数据里的img是一个人全身照，而seg_label的分割标签却不是以人为一个整体，而是以头（1），躯干（2），四肢（3）三个独立的部分。这里的label的设置和任务具体的任务有关，如把一个多部位分割图划分为只有头[labels==1]，全身的[labels==1|labels==2|labels==3]，只有四肢和头的[labels==1|labels==3]。如果你的任务是划分出多个单独的器官，只需要设置[labels==1|labels==2|labels==3]即可。
最后，如果seg_label里的标签值不是1，2，3需要改成1,2,3。

因为3_train.py里的第98行的作用就是将输出概率最大的那个通道值赋给预测seg_label。（如第一个像素点在通道2的概率最大），那就把2赋给这个多器官分割预测图。具体理解代码可以多print输出看看。

[NetfriendT]

首先，我先假设你已经修改好了seg_label里的标签值，np.unique(seg_label)= [0., 1., 2., 3.]。其中0代表背景，1代表器官1，2代表器官2，3代表器官3。 其次，针对“[(labels == 1) | (labels == 3), (labels == 1) | (labels == 3) | (labels == 2), labels == 3]”这行代码的理解。正如我之前所说，模型的输出并不是分割出来的结果，而是一个三维图像中每个像素点属于哪个器官的概率值。也就是说模型的输出其实是一个多器官分割图，需要把这个多器官分割图分化成多个单器官分割图。因为brats数据集的特殊性，label里的分割区域并不是所需要分割出来的区域，这里举个例子来说比较好理解，假设数据里的img是一个人全身照，而seg_label的分割标签却不是以人为一个整体，而是以头（1），躯干（2），四肢（3）三个独立的部分。这里的label的设置和任务具体的任务有关，如把一个多部位分割图划分为只有头[labels==1]，全身的[labels==1|labels==2|labels==3]，只有四肢和头的[labels==1|labels==3]。如果你的任务是划分出多个单独的器官，只需要设置[labels==1|labels==2|labels==3]即可。 最后，如果seg_label里的标签值不是1，2，3需要改成1,2,3。 因为3_train.py里的第98行的作用就是将输出概率最大的那个通道值赋给预测seg_label。（如第一个像素点在通道2的概率最大），那就把2赋给这个多器官分割预测图。具体理解代码可以多print输出看看。

好的我完全明白你的意思了，感谢你的意见！