NiftyNet 体积采样

Question

我正在使用NiftyNet 解决分段问题。 要从卷中获取样本，可以使用此选项 Sample_per_volume。

观察：当我将其设置为“1”时监控样本位置时，我注意到不是只从一个卷中获取一个样本，而是更像是从一个图像中获取一个样本每次迭代。

假设：如果这是真的，那么最好将Sample_per_volume 设置为 1，以便最好地随机化采样过程。

问题：我的观察正确吗？如果是这样，假设正确吗？那么，如果最佳选项始终为“1”，为什么该选项存在？

Answer 1

sample_per_volume 的动机来自于一些医学图像可能非常大，因此神经网络训练的瓶颈是磁盘的 i/o。在这种情况下，为了提高效率，最好在每个体积中获取多个样本。

正如您所说，虽然这不是很理想，但有几个缓解因素。首先，您可以将queue_length 参数设置为更高。这意味着一次加载几个补丁，然后随机输入到训练中。此外，由于许多 3-d 神经网络使用补丁而不是整个图像，来自同一体积的 2 个补丁甚至可能不会重叠，因此对于小补丁来说，从给定的体积中抓取很多是很有意义的。

所以，tl;dr：最好的选择并不总是“1”，因为加载数据可能很昂贵。