【一、整理-加上数据图片】MT-Unet模型的复现使用【个人记录学习】

找MT-UNet-main代码----GitHub

一、复现MT-UNet

1.思路：先复现MT-UNet-main，再用我们的数据集跑

2.代码中有ACDC dataset 数据，但我们要跑Synapse dataset. 

3.找dataset数据：根据作者提示去 TransUnet.项目中寻找。

4.TransUnet作者提供了两种方法：

• 发邮件，联系作者，要已经处理好的Synapse dataset.数据集，但是作者至今未回复，GitHub项目issues里面，其他的研究人员也未能联系到作者获取到数据集。
• 根据TransUnet作者提示：“在Synapse官方网站注册并下载数据集。将其转换为numpy格式，剪辑在[- 125,275]范围内的图像，将每个3D图像归一化为[0,1]，从3D volume中提取2D切片用于训练用例，而对测试用例保留h5格式的3D volume。

5.采用4.2的方法，去在Synapse官方网站注册，并选择其中的一个16G左右数据集进行了下载。然后，按照作者的预处理要求，对原始数据进行了处理。这里的原始数据，后面发现，和作者论文中使用的数据并不是同一组，无法知道作者使用的数据是哪一组

6.原始数据（img.nii.gz和label.nii.gz）处理成了case0001_slice000.npz用于训练和case0001.npy.h5用于测试（.npy是numpy的数组以未压缩的原始二进制格式保存在扩展名为.npy文件中，而.npz相当于对多个.npy文件的压缩文件。而.h5文件就是 “dataset” 和 “group” 二合一的容器。Dataset中可以存储numpy的数据等。有时.h5文件也可以用来存储训练的模型的参数），以及保存名称的train.txt和test.txt。（Q1至于为什么没有val的部分，还没时间研究）

7.阅读代码，并进行修改和调试。除了一些其他细节外，主要是改了两个地方：

• 增加了log，将训练的一些日志写入.txt
• 更改了test，由于测试用例太多，花费时间太长，将每save_interval轮(epoch)测试一次，改为了30轮之后再每save_interval轮(epoch)进行测试。然后，将每测试一次就保存一次img、gt、pre改为了，只有这次的测试的dice大于best_dice才进行保存。

8.在本地将代码调通以后，然后扔到服务器上，安装相应环境进行测试batch_size=12,size=(244,244,3),epoch=100 r=0.0001(每一轮衰减0.01)，class=14.到目前为止的训练结果（还没训练完，训练25轮了）：

论文中的数据：

25轮的结果就和论文的相差不多，至于为是什么会有这样的结果，我反思和思考了许久，最后的原因很搞笑，是因为自己写代码在预处理数据出现了点问题，大概可以说是将训练的数据和测试的数据用为同一组数据了（Q2，这个数据的问题，后面会进行修改重新训练）

9.想查看训练结果的图像，测试保存下来的是img.nii.gz、gt.nii.gz、pre.nii.gz

于是查找资料，可以用ITK-SNAP软件打开显示：

  

                               Img.nii.gz                                                         pre.nii.gz

  

                         Img.nii.gz+ pre.nii.gz                                       Img.nii.gz+ gt.nii.gz

10.至此，原文的用Synapse dataset复现项目，因为Q2的原因，差不多算是完成了90%.