DLIR深度学习图像配准Python代码及项目指南.zip
5星
- 浏览量: 0
- 大小:None
- 文件类型：None
简介：
本资源包提供了一套基于Python的深度学习图像配准工具和教程，适用于科研人员与工程师进行医学影像、遥感等领域的图像处理研究。
【资源说明】DLIR深度学习图像配准Python源码及项目操作指南.zip
## 训练部分
### 2D训练脚本：**train_vm_2d.py**
本地运行步骤：
1. 启动visdom以实现实时可视化。
```shell
python -m visdom.server
```
2. 执行以下命令启动训练过程:
```shell
python train_vm_2d.py \
-output output/mnist/ \
-is_visdom True \
-choose_label 5 \
-val_interval 1 \
-save_interval 50
```
针对数字5的预训练结果保存在`ckpts/mnist`目录中。
## 预测部分
### 2D预测脚本：**register_vm_2d.py**
本地运行步骤：
```shell
python register_vm_2d.py \
-output output/mnist_test/ \
-model output/mnist/reg_net_299.pth \
-is_visdom True \
-choose_label 5
```
### 预测结果可视化
模型在数字3上同样表现出泛化的性能，即使该数字未参与训练过程。其他数字也呈现出类似的效果。
## 3D配准部分
使用LPBA40数据集进行实验（这是一个包含3D脑部MRI的数据集合）。
### 训练脚本：**train_vm_3d.py**
训练脚本如下：
```shell
#!/bin/bash
#SBATCH -J LPBA
#SBATCH -p gpu1
#SBATCH -N 1
#SBATCH -n 1
#SBATCH --gres=gpu:1
#SBATCH -o logs/trainOutLPBA.txt
#SBATCH -e logs/trainErrLPBA.txt
NP=$SLURM_JOB_GPUS
CUDA_VISIBLE_DEVICES=$NP python train_vm_3d.py \
-dataset lpba40 \
-output output/lpba/ \
-resume /public/home/jd_shb/fromgithub/registration-in-action/output/lpba/lpba40_best71.pth \
-batch_size 2 \
-lr 1e-4 \
-apply_lr_scheduler \
-epochs 800 \
-weakly_sup # 使用分割标签辅助训练
-sim_loss MSE
-sim_weight 1.0
-dice_weight 0.1
-img_folder /public/home/jd_shb/fromgithub/multimodal/OBELISK_V02/preprocess/datasets/LPBA40/train
-label_folder /public/home/jd_shb/fromgithub/multimodal/OBELISK_V02/preprocess/
```
### 注意事项
- 项目中的所有代码均已通过测试，并在功能正常的情况下上传，用户可以放心下载和使用。
- 此资源适合计算机相关专业的在校学生、老师或者企业员工进行学习或工作用途。同时适用于初学者进阶学习以及作为毕业设计项目、课程作业等参考材料。
- 对于具有一定基础的学习者来说，在此基础上可以根据个人需求进一步修改代码以实现其他功能，同样可以用于毕业设计和课程实验演示等场景中。
欢迎下载并交流讨论，共同进步！
全部评论 (0)
