主要内容

深度学习预处理卷

读取体积数据

金宝app支持的体积图像数据文件格式包括mat文件、医学数字成像和通信(DICOM)文件和神经成像信息学技术倡议(NIfTI)文件。

将容积图像数据读入ImageDatastore．将容积像素标号数据读入PixelLabelDatastore(计算机视觉工具箱)．有关更多信息，请参见用于深度学习的数据存储(深度学习工具箱)．

该表格显示了…的典型用法imageDatastore和pixelLabelDatastore每个支持的文件格式。金宝app在创建数据存储时，指定“FileExtensions”参数作为数据的文件扩展名。指定ReadFcn属性作为读取文件格式数据的函数句柄。的filepath参数指定包含图像数据的文件或文件夹的路径。对于像素标签图像，附加一会和pixelLabelID参数指定体素标签值到类名的映射。

图像文件格式

创建图像数据存储或像素标签数据存储

垫

 

volds = imageDatastore (filepath,．．.“FileExtensions”，“.mat”，“ReadFcn”@ (x) fcn (x));pixelLabelID pxds = pixelLabelDatastore (filepath,一会,．．.“FileExtensions”，“.mat”，“ReadFcn”@ (x) fcn (x));
fcn是从MAT文件中读取数据的自定义函数。例如，这段代码定义了一个调用的函数matRead从MAT文件的第一个变量加载卷数据。将函数保存在一个名为matRead.m．

函数data = matRead(filename) inp = load(filename);f =字段(输入);=输入的数据。(f {1});结束

DICOM卷在单一文件

 

volds = imageDatastore (filepath,．．.“FileExtensions”，“.dcm”，“ReadFcn”@ (x) dicomread (x));pixelLabelID pxds = pixelLabelDatastore (filepath,一会,．．.“FileExtensions”，“.dcm”，“ReadFcn”@ (x) dicomread (x));

有关读取DICOM文件的详细信息，请参见dicomread．

DICOM卷在多个文件

遵循这些步骤。例如，请参见创建包含单文件和多文件DICOM卷的镜像数据存储．

  • 属性将文件聚合为单个研究dicomCollection函数。

  • 阅读研究中的DICOM数据使用dicomreadVolume函数。

  • 将每个卷写入MAT文件。

  • 创建ImageDatastore或PixelLabelDatastore从MAT文件集合中，按照MAT文件的处理程序。

NIfTI

 
volds = imageDatastore (filepath,．．.“FileExtensions”，“.nii”，“ReadFcn”@ (x) niftiread (x));pixelLabelID pxds = pixelLabelDatastore (filepath,一会,．．.“FileExtensions”，“.nii”，“ReadFcn”@ (x) niftiread (x));

有关读取NIfTI文件的更多信息，请参见niftiread．

对图像和标签数据

若要将容积图像和标签数据关联起来进行语义分割，或将两个容积图像数据存储关联起来进行回归，请使用randomPatchExtractionDatastore．随机补丁提取数据存储从两个数据存储中提取相应的随机位置补丁。在进行任意大容量的训练时，修补是一种常见的防止内存耗尽的技术。指定一个与网络的输入大小匹配的补丁大小，并且为了内存效率，补丁大小要小于卷的完整大小，例如64 × 64 × 64体素。

你也可以用the结合函数关联两个数据存储。但是，使用randomPatchExtractionDatastore有一些好处结合．

  • randomPatchExtractionDatastore金宝app支持并行训练、多gpu训练和预取读取。指定并行或多gpu训练使用＇ExecutionEnvironment＇名称-值参数trainingOptions(深度学习工具箱)．属性指定预取读取＇DispatchInBackground＇名称-值参数trainingOptions．预取读取需要并行计算工具箱™。

  • randomPatchExtractionDatastore固有地支持补丁提取。金宝app相比之下，从一个CombinedDatastore，您必须定义自己的函数来将图像裁剪成补丁，然后使用变换函数应用裁剪操作。

  • randomPatchExtractionDatastore可以从一幅测试图像生成多个图像补丁。一对多的patch提取有效地增加了可用的训练数据量。

预处理体积数据

深度学习通常需要对数据进行预处理和增强。例如，您可能希望对图像强度进行归一化、增强图像对比度或添加随机仿射变换以防止过拟合。

要对容量数据进行预处理，请使用变换函数。变换创建数据存储的更改形式，称为底层数据存储，通过根据自定义函数中定义的操作集转换底层数据存储读取的数据。图像处理工具箱™提供了几个接受体积输入的函数。有关函数的完整列表，请参见三维立体图像处理．您也可以使用MATLAB中的函数对体积图像进行预处理®用于多维数组。

属性返回的格式中，自定义转换函数必须接受读底层数据存储的功能。

底层数据存储

自定义转换函数的输入格式
ImageDatastore

自定义转换函数的输入依赖于ReadSize财产。

  • 当ReadSize为1时，转换函数必须接受整数数组。控件中的图像类型与数组的大小一致ImageDatastore．例如，灰度图像有大小米——- - - - - -n，一个真彩色图像有尺寸米——- - - - - -n-by-3的多光谱图像c渠道有大小米——- - - - - -n——- - - - - -c．

  • 当ReadSize大于1时，转换函数必须接受与批处理中每个图像相对应的图像数据单元数组。

有关更多信息，请参见读的函数ImageDatastore．
PixelLabelDatastore

自定义转换函数的输入依赖于ReadSize财产。

  • 当ReadSize为1时，变换函数必须接受一个范畴矩阵。

  • 当ReadSize大于1时，转换函数必须接受类别矩阵的单元格数组。

有关更多信息，请参见读(计算机视觉工具箱)的函数PixelLabelDatastore．
RandomPatchExtractionDatastore

自定义转换函数的输入必须是一个包含两列的表。

有关更多信息，请参见读的函数RandomPatchExtractionDatastore．

的变换函数必须返回与网络输入大小匹配的数据。的变换函数不支持一对多的观测映射。金宝app

中对体积数据应用随机仿射变换RandomPatchExtractionDatastore，你必须使用变换函数。的DataAugmentation此数据存储的属性不支持卷数据。金宝app

例子

在图像数据存储中转换批量容量数据

这个示例使用:

打开生活的脚本

这个示例展示了如何使用示例图像预处理管道转换图像数据存储中的容量数据。

指定一组保存在MAT文件中的体积图像。

filepath = fullfile (matlabroot,“工具箱”，“图片”，“imdata”，“mristack.mat”）;文件= [filepath;filepath;filepath];

创建一个存储多个映像的映像数据存储。指定该ReadSize大于1的数据存储。指定自定义读函数，matRead．这个函数在本例的支持函数一节中定义。金宝app

volDS = imageDatastore(文件,“FileExtensions”，“.mat”，．．.“ReadSize”,3，“ReadFcn”@ (x) matRead (x));

指定网络的输入大小。

inputSize = [128 128];

对图像进行预处理volDS中定义的自定义预处理管道preprocessVolumetricIMDS金宝app支持功能。

dsTrain = transform(vds，@(x) preprocessVolumetricIMDS(x,inputSize));

读取一批数据。

minibatch =阅读(dsTrain)
minibatch =3×1单元阵列{128x128x21 uint8} {128x128x21 uint8}

金宝app支持功能

的matRead函数从MAT文件的第一个变量加载卷数据。

函数data = matRead(filename) inp = load(filename);f =字段(输入);=输入的数据。(f {1});结束

的preprocessVolumetricIMDS函数对从底层图像数据存储读取的数据执行所需的转换。因为图像数据存储的读取大小大于1，所以该函数必须接受图像数据的单元格数组。该函数遍历每个读取图像，并根据预处理管道转换数据:

  • 随机旋转图像z设在。

  • 将卷的大小调整为网络所期望的大小。

  • 创建带有高斯噪声的图像的噪声版本。

  • 返回单元格数组中的图像。

函数numRows = size(batchIn,1);batchOut =细胞(numRows, 1);为idx = 1: numRows%沿z轴随机旋转90度imrotate = imrotate3(batchIn{idx,1}，90*(randi(4)-1)，[0 0 1]);将卷大小调整为网络所期望的大小imResized = imresize (imRotated inputSize);加入零均值高斯噪声，归一化方差为0.01imNoisy = imnoise (imResized,“高斯”, 0.01);%返回预处理数据batchOut (idx) = {imNoisy};结束结束

在随机补丁提取数据存储中转换容量数据

这个示例使用:

打开生活的脚本

这个示例展示了如何使用一个样本图像预处理管道来转换随机补丁提取数据存储中的一对容量数据。

指定两组保存在MAT文件中的体积图像。每一组包含5张立体图像。

dir = fullfile (matlabroot,“工具箱”，“图片”，“imdata”，“BrainMRILabeled”）;filesVol1 = fullfile (dir,“图片”）;filesVol2 = fullfile (dir,“标签”）;

在一个图像数据存储中存储每一组容量图像。指定自定义读函数，matRead．这个函数在本例的支持函数一节中定义。金宝app使用默认的ReadSize为1。

vol1DS = imageDatastore (filesVol1,“FileExtensions”，“.mat”，“ReadFcn”@ (x) matRead (x));vol2DS = imageDatastore (filesVol2,“FileExtensions”，“.mat”，“ReadFcn”@ (x) matRead (x));

指定网络的输入大小。

inputSize = [128 128];

创建一个随机补丁提取数据存储，从两个数据存储中提取相应的补丁。为每个图像选择三个补丁。

patchVolDS = randomPatchExtractionDatastore (vol1DS vol2DS inputSize,“PatchesPerImage”3);

对图像进行预处理patchVolDS中定义的自定义预处理管道preprocessVolumetricPatchDS金宝app支持功能。

dsTrain = transform(patchVolDS，@(x) preprocessVolumetricPatchDS(x));

读取一批数据。

minibatch =阅读(dsTrain)
minibatch =15×2表InputImage ResponseImage ____________________ ___________________ {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8} {128x128x155 uint8{8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8} {8 - x8 - x155 Uint8}

金宝app支持功能

的matRead函数从MAT文件的第一个变量加载卷数据。

函数data = matRead(filename) inp = load(filename);f =字段(输入);=输入的数据。(f {1});结束

的preprocessVolumetricPatchDS函数对从底层随机补丁提取数据存储读取的数据执行所需的转换。函数必须接受一个表。该函数根据预处理管道对数据进行转换:

  • 随机选择五种增益之一。

  • 对表的两列中的数据应用相同的扩展。

  • 返回表中增强的图像对。

函数numRows = size(batchIn,1);batchOut = batchIn;% 5扩增:nil, fliplr,flipud,rot90(fliplr)augType = {@ (x) x, @rot90 @fliplr, @flipud, @ (x) rot90 (fliplr (x))};为idx = 1:numRows img = batchIn{idx,1}{1};resp = batchIn {idx 2} {1};rndIdx =兰迪(5、1);imgAug = augType {rndIdx} (img);respAug = augType {rndIdx}(职责);batchOut (idx:) = {imgAug, respAug};结束结束

另请参阅

(深度学习工具箱)||(计算机视觉工具箱)||

相关的例子

更多关于

图像处理工具箱文档

金宝app

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书