imageDir = fullfile (tempdir,“小子们”）;如果~存在(imageDir“dir”)mkdir（imageDir）；结束

sourceDataLoc = [imageDir filesep .'task01_braintumour'];preprocessDataLoc = fullfile (tempdir,“小子们”，“预处理数据集”）;preprocessBraTSdataset (preprocessDataLoc sourceDataLoc);

volReader = @(x) matRead(x);volLoc = fullfile (preprocessDataLoc,“imagesTr”）;volds = imageDatastore (volLoc,......“文件扩展名”，“.mat”，“ReadFcn”，volreader）;

lblLoc=fullfile（预处理数据LOC，“labelsTr”）;一会= [“背景”，“肿瘤”];pixelLabelID = [0 1];pixelLabelID pxds = pixelLabelDatastore (lblLoc,一会,......“文件扩展名”，“.mat”，“ReadFcn”，volreader）;

体积=预览(volds);标签=预览(pxds);viewPnl = uipanel(图,“头衔”，“标记的训练量”）;hPred = labelvolshow(标签、体积(:,:,:1),“父”，viewPnl，......“LabelColor”，[0 0 0;1 0 0]);hPred.LabelVisibility (1) = 0;

patchSize = [132 132 132];patchPerImage = 16;miniBatchSize = 8;patchds = randomPatchExtractionDatastore (volds pxds patchSize,......“PatchesPerImage”, patchPerImage);patchds。MiniBatchSize = MiniBatchSize;

volLocVal = fullfile (preprocessDataLoc,“imagesVal”); voldsVal=图像数据存储（volLocVal，......“文件扩展名”，“.mat”，“ReadFcn”，volReader）；lblLocVal=fullfile（预处理数据loc，“labelsVal”）;pixelLabelID pxdsVal = pixelLabelDatastore (lblLocVal,一会,......“文件扩展名”，“.mat”，“ReadFcn”，volreader）;dsval = RandompatchExtractionDataStore（Voldsval，PXDSVal，PatchSize，......“PatchesPerImage”, patchPerImage);dsVal。MiniBatchSize = MiniBatchSize;

NumChannel=4；inputPatchSize=[patchSize NumChannel]；NumClass=2；[lgraph，outPatchSize]=unet3dLayers（inputPatchSize，NumClass，“卷积填充”，“有效”）;

数据源=“培训”；dsTrain =变换(patchds @ (patchIn) augmentAndCrop3dPatch (patchIn outPatchSize,数据源));数据源=“验证”；dsVal=transform（dsVal，@（patchIn）augmentAndCrop3dPatch（patchIn，outPatchSize，dataSource））；

outputLayer=dicePixelClassificationLayer(“名字”，“输出”); lgraph=替换层（lgraph，“Segmentation-Layer”，输出层）；

inputLayer=image3dInputLayer（inputPatchSize，“正常化”，“没有”，“名字”，“ImageInputLayer”); lgraph=替换层（lgraph，“ImageInputLayer”，输入层）；

分析（LGROPH）

选择= trainingOptions (“亚当”，......'maxepochs', 50岁,......“InitialLearnRate”，5e-4，......“LearnRateSchedule”，'分段'，......'学习ropperiod'5.......“LearnRateDropFactor”, 0.95,......“ValidationData”dsVal,......'验证职业', 400,......“阴谋”，'培训 - 进步'，......“冗长”，错误的，......“MiniBatchSize”, miniBatchSize);

trained3DUnet_url ='//www.tatmou.com/金宝appsupportfiles/vision/data/braintumor3dunetvalid.mat'；sampleData_url='//www.tatmou.com/金宝appsupportfiles/vision/data/sampleBraTSTestSetValid.tar.gz'；imageDir = fullfile (tempdir,“小子们”）;如果~存在(imageDir“dir”)mkdir（imageDir）；结束downloadTrained3DUnetSampleData (trained3DUnet_url sampleData_url imageDir);

dotraining = false;如果doTraining modelDateTime = string(datetime(“现在”，“格式”，“yyyy MM dd HH MM ss”））;(网络,信息)= trainNetwork (dsTrain、lgraph选项);保存(strcat (“trained3DUNet——”，modelDateTime，“-时代-”num2str (options.MaxEpochs),“。垫”)，“净”）;其他的inputPatchSize = [132 132 132 4];outPatchSize = [44 44 44 2];负载(fullfile (imageDir“trained3DUNet”，“brainTumor3DUNetValid.mat”））;结束

useFullTestSet=false；如果useFullTestSet-volLocTest=fullfile（预处理数据位置，“imagesTest”）;lblloctest = fullfile（preprocessdataloc，'labelstest'）;其他的volLocTest = fullfile (imageDir,“sampleBraTSTestSetValid”，“imagesTest”); lblLocTest=fullfile（imageDir，“sampleBraTSTestSetValid”，'labelstest'）;一会= [“背景”，“肿瘤”];pixelLabelID = [0 1];结束

volReader=@（x）matRead（x）；voldsTest=图像数据存储（volLocTest，......“文件扩展名”，“.mat”，“ReadFcn”，volreader）;pxdstest = pixellabeldataStore（lblloctest，classnames，pixellabelid，......“文件扩展名”，“.mat”，“ReadFcn”，volreader）;

ID = 1;而Hasdata（Voldstest）Disp（['处理测试量'num2str (id)]);tempGroundTruth =阅读(pxdsTest);groundTruthLabels {id} = tempGroundTruth {1};{id} =阅读卷(voldsTest);%对测试图像使用反射填充。%避免填充不同的模式。volSize =大小({id}卷,(1:3));padSizePre = (inputPatchSize (1:3) -outPatchSize (1:3)) / 2;padSizePost = (inputPatchSize(1:3)-outPatchSize(1:3))/2 + (outPatchSize(1:3)-mod(volSize,outPatchSize(1:3)));volPaddedPre = padarray (padSizePre卷{id},“对称”，“以前”); volPadded=padarray（volPaddedPre、padSizePost、，“对称”，“职位”); [heightPad，widthPad，depthPad，~]=尺寸（填充）；[高度、宽度、深度，~]=大小（vol{id}）；tempSeg=分类（零（[高度、宽度、深度]，'uint8'),[0, 1],类名);批量分割的％重叠策略策略。为K = 1：分类（3）：DepthPad-InneedPatchsize（3）+1为j=1:outPatchSize（2）：widthPad inputPatchSize（2）+1为i = 1：outpatchsize（1）：高度Pad-InneedPatchsize（1）+1 Patch = Volpadded（I：i + InputPatchsize（1）-1，......j: + inputPatchSize (2) 1,......k:k+inputPatchSize（3）-1，：）；patchSeg=语义seg（patch，net）；tempSeg（i:i+outPatchSize（1）-1，......j:j+outPatchSize（2）-1，......k:k+outPatchSize（3）-1）=patchSeg；结束结束结束%裁剪出额外的填充区域。tempseg = tempseg（1：高度，1：宽度，1：深度）;%保存预测的卷结果。predictedLabels {id} = tempSeg;id = id + 1;结束

volid = 1;Vol3d = Vol {volid}（：：：：，1）;

zID =大小(vol3d, 3) / 2;zSliceGT = labeloverlay (vol3d (:,:, zID) groundTruthLabels {volId} (:,:, zID));zSlicePred = labeloverlay (vol3d (:,:, zID) predictedLabels {volId} (:,:, zID));图蒙太奇({zSliceGT, zSlicePred},“尺寸”,[1 2],“边界大小”，5）头衔(“标记地面真相(左)vs.网络预测(右)”）

viewPnlTruth = uipanel(图,“头衔”，真实的标签卷”)；hTruth=labelvolshow（groundTruthLabels{volId}，vol3d，“父”viewPnlTruth,......“LabelColor”，[0 0 0;1 0 0]，“VolumeThreshold”，0.68）;htruth.labelvisibility（1）= 0;

viewPnlPred = uipanel(图,“头衔”，'预计标记的卷'); hPred=labelvolshow（predictedLabels{volId}，vol3d，“父”，viewPnlPred，......“LabelColor”，[0 0 0;1 0 0]，“VolumeThreshold”,0.68); hPred.标签可视性（1）=0；

diceResult=0（长度（voldsTest.Files），2）；为j = 1：长度（vol）diceresult（j，：）=骰子（proundtruthlabels {j}，predigedlabels {j}）;结束

meanDiceBackground =意味着(diceResult (: 1));disp ([“平均骰子得分的背景”，num2str（j），......‘测试卷’，num2str（meandicebackground）]）意思是dicetumor =平均值（diceresult（:,2））;disp ([“整个肿瘤的平均骰子分数”，num2str（j），......‘测试卷’num2str (meanDiceTumor)])

createBoxplot = false;如果createBoxplot图boxplot（结果）标题(“测试骰子精度”) xticklabels(类名)ylabel (“骰子系数”）结束