Question

**** i在一个从CT图像卷中分割肝脏的项目中，CT卷具有不同的切片数量，因此每个卷的形状不同，例如：（512,512,183）和（512,512,64）和（512,512,335 ），等等**

我尝试使用None和Global MaxPooling3D（），正如我在另一篇文章中所见但有相同的错误是： **

回溯（最近通话最近）：火车中的文件“ E：\ Liver_Seg_Project \ LiveSegtraining.py”，第123行
H = model.fit_generator（aug.flow（data，label，batch_size = 100）， 流子集=子集中的第430行的文件“ C：\ python3.6.1 \ Python \ lib \ site-packages \ keras_preprocessing \ image \ image_data_generator.py” init 中的文件“ C：\ python3.6.1 \ Python \ lib \ site-packages \ keras_preprocessing \ image \ numpy_array_iterator.py”，第72行（len（x），len（xx））） ValueError：x中的所有数组都应具有相同的长度。找到了一对：len（x [0]）= 183，len（x [？]）= 64

这是我的模特：

class ModelNw2:
@staticmethod
def build(depth,height, width):
    input_size = (None,None,None,1)
    x = Input(input_size)
    # layer 1
    x1=Conv3D(32, 7, padding="same",data_format="channels_last")(x)
    x1=Activation("relu")(x1)
    x1=MaxPooling3D(pool_size=(2, 2,2), strides=(2, 2,2))(x1)
    # layer 2
    x2=Conv3D(64, 5, padding="same")(x1)
    x2=Activation("relu")(x2)
    x2=MaxPooling3D(pool_size=(2, 2,2), strides=(2, 2,2))(x2)

    # layer 3       
    x3=Conv3D(128, 5, padding="same")(x2)
    x3=Activation("relu")(x3)
    # layer 4
    x4=Conv3D(128, 3, padding="same")(x3)
    x4=Activation("relu")(x4)  
    # concat layer 3 and 4
    concat34 = concatenate([x3,x4], axis = -1)

这是培训代码的一部分

 # initialize the data and labels
print("[INFO] loading images...")
data=[]
label=[]

for i in range(10):
    if i>5:
        j=i+10 
        filename ='TrainingF/image/liver-orig0' + str(j+1) + '.mhd'
    else:
        j=i
        filename ='TrainingF/image/liver-orig00' + str(j+1) + '.mhd'

    image = sitk.ReadImage(filename)
    image = sitk.GetArrayFromImage(image) 
    image=Norma(image)
    image = img_to_array(image)
    data.append(image)
print("inssss=" + str(len(data)))


print("[INFO] loading maskss...")
for i in range(10):

    if i>5:
        j=i+10 
       # print("label "+ str(j+1))
        filename ='TrainingF/label/liver-seg0' + str(j+1) + '.mhd'
    else:
        j=i
        filename ='TrainingF/label/liver-seg00' + str(j+1) + '.mhd'
    image = sitk.ReadImage(filename)
    mask = sitk.GetArrayFromImage(image)
    mask = img_to_array(mask)
    label.append(mask)

最后，我将数据和蒙版numpy数组拟合到模型：

  aug = ImageDataGenerator(rotation_range=45, width_shift_range=0.1,
    height_shift_range=0.1, shear_range=0.2, zoom_range=0.2,
    horizontal_flip=True, fill_mode="nearest")


# initialize the model
print("[INFO] compiling model...")
model = ModelNw2.build(depth=183,width=512, height=512)
# train the network
print("[INFO] training network...")
weight_saver = ModelCheckpoint('weights1.h1', monitor='val_dice_coef', save_best_only=True, save_weights_only=True)
annealer = LearningRateScheduler(lambda x: 1e-3 * 0.8 ** x)
stop_here = EarlyStopping(patience=5)
start = timeit.default_timer()

H = model.fit_generator(aug.flow(data, label, batch_size=100),
    validation_data=(testX, testY), steps_per_epoch=50,
    epochs=EPOCHS, verbose=2, callbacks = [weight_saver, annealer])

end = timeit.default_timer()

如何训练不同体积的齿轮模型

0 个答案: