【三、对问题进行了解决】MT-Unet模型重新训练腹部和冠脉数据集【个人记录学习】

一、解决【二】中遗留了四个问题。

下面进行解决：

Q1：至于为什么没有val的部分，还没时间研究
Q2：训练和测试的数据痛的同一组，这个容易解决
Q3：用MT-Unet训练我们的数据的尺寸问题：只能用244*244的图像，这个要仔细研究甚至修改网络架构，才能判断是否能够结果。
Q5: 训练出来的.nii.gz偏白色，猜测是像素值的区间出现了问题，应该可以通过归一化到[0，255]

Q1：个人感觉没必要了，test就相当于val了，作用都是来看dice，什么时间收敛，我们可以什么时间停止训练了。（这个问题，如果有其他的想法，欢迎评论区留言，交流学习一下）

Q2：训练和测试的数据痛的同一组。这次在训练腹部数据集时，把30组数据，分为20组训练和10组测试。在训练自己的冠脉数据集时，采用了49组训练集，16组测试集。

Q3：这个目前修改了两个地方，宏观暂时可以跑通，而且效果比用224的好得多。因为个人比较菜，远远达不到可以自主根据论文模型来使用代码一点点复现的地步，因此不确定微观上面是否存在影响。

Q5: 确实是像素值的区间出现了问题。问题的根源主要是在根据项目作者的提示，预处理拿到的Synapse 数据集时将像素利用clip调整到了[-125, 275]范围，并进行了下面的操作。

normalised_image_data = (image_data - args.clip[0]) / (args.clip[1] - args.clip[0])

因此，只要反向操作一波就好了。这里需要注意的是，当反向操作的时候，由于精度原因，只能将像素值调整到【0，254.99999523162842】范围，因此，需要在【0，254.99999523162842】的基础上再叠加一次归一化到【0，255】的操作。

二、训练调整好的腹部数据集

1.腹部数据集选取了0066中的30组数据，将其分为了20组训练，10组测试。

这里提一下，前段时间跟作者发邮件，一方面跟作者索要了Synapse处理好并且论文中使用的数据集，昨天发现邮件里，作者给了。另一方面，发现了如果训练ACDC，会出现dice一直固定为一个值，不变化的问题。反馈给作者，作者发现是上传的代码的原因，已经进行了修改，重新提交到GitHub上了。因此，训练ACDC数据集的UU们，可以重新down一下GitHub上的代码【Time:2022/3/28】。

2.训练的时候，batch_size=12,尺寸：224*224，class=14，epoch=200，skip=3剩下都是默认的。

3.最后的训练了89epoch，我看它的dice趋于稳定了，就停止了。

 这是最好的一组结果，dice=0.6681.然后，训练出的可视化效果，是下面的样子：

                                 gt                                                                        pre

 4.由于，因此使用的是划分14类的数据（论文中的数据是9类），数据和作者的不一样，因此，效果达不到论文中的程度。

三、训练自己的冠脉数据集-224*224*3

1.这一部分是训练冠脉数据集，在训练之前，由于需要将49组用作train和16组用作test的png数据集，都转化为.nii.gz的格式（其中用作gt的png还需要进行像素值从【0，255】到【0，1】的归一化处理），因此先写了一个处理数据的小脚本（虽然小，但是由于并没有学过python的基础，花费了好多时间，而且第一次处理好了以后，扔到服务器上跑，如果训练集和测试集相同，dice正常，如果不同，那么不同的dice一直为0或者0.000xx级别的。由于当训练集和测试集相同时，dice正常，所以认为数据是正常的，结果在经过两天各种改错尝试，小emo后，发现还是数据集的问题，写的小脚本，需要修改两行的内容(;´༎ຶД༎ຶ`) 哭死，两行==两天）。

2.将png都转化为.nii.gz的格式后，还需要按作者的要求，对数据进行预处理的操作。

3.将49组数据作为训练集，16组数据作为测试集。batch_size=12, 224*224，class=2，epoch=200，skip=3,其他默认。

4.最后训练了143epoch，已经开始过拟合了，就停止了。

 其中最好的在69epoch，dice=0.775079。不是很高，达不到想要的高度，但出现这个原因也正常。因为训练时的数据时224*224*3的数据集，回丢失很多的信息。512*512*3才是正确的道路，因此后面需要尝试尽心修改。

 训练出的可视化效果，是下面的样子：

                                 gt                                                                        pre

四、训练自己的冠脉数据集-512*512*3

这一部分，目前还在跑，后面跑完以后，再继续来写。结果是比用224*224的好些，至少目前最好的dice已经到了0.82.

 五、小啰嗦

虽然MT-unet还在跑，但是反思了很多，从EfficientUnet++，到Unet，再到MT-unet，均动手去配置环境，调试代码，然后，找数据，去跑复现作者的结果，但结果一直达不到作者的程度，用自己的数据集也到不了期望的水准。确实烦了，这种碰运气，想碰对一个模型，急功近利，自己的数据就能跑的很不错的想法，现在感觉不可能，甚至有些搞笑了。差不多行了，该去入门“黑盒子”了。一直在黑盒子外，逛荡，胡乱调参不会有什么收获的。那就从Unet开始吧，沉下去一段时间，好好摸索摸索。一个小目标：先能设计一个 能跑 的模型，然后代码实现出来。