影像组学路径图

深度学习特征提取

1.选定需要提取特征的layer, 在定义网络结构的py文件里（比如resnet.py）找到forward函数，将其表示为features后return出来，如下图所示（以U-Net为例）：

我这里选择提取在U-Net中第三次下采样后再进行卷积的特征。由于特征的维度较大，为了方便查看输出，可以对特征进行maxpooling操作。

2.在forward函数里return出特征后，需要在train.py文件中将features接住。如下所示：

3.同时，为了查看输出特征所对应的name,需要对dataloader函数进行修改。即在__get__item（）函数中return每个特征对应的image_name。如下图所示：

4.现在，就可以在train.py里将特征打印出来了。首先创建一个features.txt文本，标记为write模式，并在enumerate（dataloader）的时候加上image_names，最后将image_names对应的特征一起打印出来。由于特征都是在GPU中进行运算的，所以要先将其转换到CPU环境里。如下图所示：

5.最后，可以在生成的features.txt文件中查看提取到的特征。

由于我的batch_size设置为5，所以一次可以查看5张照片的特征。

至此，深度学习的特征就提取完毕了，可以利用提取到的特征加上传统组学的方法对图像进行分类、分割等操作，具体做法与第一次作业类似，这里就不在赘述。谢谢大家！

任务训练效果验证，数据委托训练服务

图像数据

病理数据

超声数据

三维数据

结构化数据

组学数据

方法验证

传统组学验证

机器学习验证

多组学验证

深度学习验证

验证打印结果

验证报告

1、 数据类型特点

2、 验证方法特点

3、 方法改进意见

4、 训练结果分析

5、 任务实操指导视频课程

6、 实验平台定制化

    附加验证要求

1. 传统组学，迁移临床场景。初级，对应2分左右论文。

2. 传统组学+其他组学（遗传组学、代谢组学），两阶段建模。中级，对应3分左右论文。

3. 传统组学+其他组学+深度学习特征，多阶段建模。中级，对应4分左右论文。

4. 传统组学+其他组学+深度学习特征，端到端深度学习建模。高级，对应5分左右论文。

5. 单一影像组学，深度学习端到端建模，高级，对应5分左右论文（主流）。

6. 多组学融合端到端深度学习建模，顶级，对应8分左右论文，如果配合比较好的临床意义，可以达到顶刊

费用

一、科研思路、方法快速验证（500元）

1、提出明确的任务测试要求

2、提供数据

3、通过平台集成好的算法模型（分割，分类，预测），对数据进行测试，不涉及调参，测试结果以及下一步科研工作如何改进提出书面意见

二、集成适配任务平台（2000元）

1、在验证结果比较友好的前提下，进一步明确下一步训练任务要求

2、通过平台集成适合下一阶段任务的算法模型（分割，分类，预测），方便对数据进行训练操作，进行数据适配和模型调用的基本指导。

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！