Wolfram神经网络存储库

即时可计算访问神经网络模型

ForkNet大脑分割网培训时间： NAMIC数据

将人脑图像分割成不同的解剖结构

ForkNet Segmentation Net由日本名古屋理工学院的一个研究团队于2020年发布，它是一个受u-Net启发的CNN，用于对各种脑组织进行分割。该模型由多个u-net结构组成，这些结构具有共享的编码器和对应于不同脑组织的不同解码器。分割的组织可用于生成个性化的头部模型，并用于评估经颅磁刺激期间大脑中的电场。与普通u-net体系结构相比，一旦解码器数量增加，网络的准确性就会大大提高。

型号：5

训练集信息

性能

示例

资源检索

获取预先训练过的网：

在[1]中：=
NetModel[“基于NAMIC数据训练的ForkNet大脑分割网络”]
输出[1]=

NetModel参数

该模型由一系列单独的网络组成，每个网络由特定的参数组合标识。检查可用参数：

在[2]中：=
NetModel[“基于NAMIC数据训练的ForkNet大脑分割网络”，“ParametersInformation”]
输出[2]=

通过指定参数选择非默认网络：

在[3]中：=
NetModel[{“基于NAMIC数据训练的ForkNet大脑分割网络”，“组织”->“硬脑膜-脂肪-粘液-白质”}]
输出[3]=

选择一个非默认的未初始化网络：

在[4]中：=
NetModel[{“基于NAMIC数据训练的ForkNet大脑分割网络”，“组织”->“硬脑膜-脂肪-粘液-白质”}，“未初始化评估网络”]
输出[4]=

基本用法

获取给定图像的默认分段遮罩：

在[5]中：=
（*评估此单元格以获取示例输入*）CloudGet[“https://www.wolframcloud.com/obj/f2456b07-2f56-4614-b2fb-41ab4b010e8c"]

获取遮罩的尺寸：

在[6]中：=
尺寸/@遮罩
输出[6]=

可视化遮罩：

在[7]中：=
地图[着色@图像[#]&，掩码[[All，1]]]
输出[7]=

在输入图像上覆盖遮罩：

在[8]中：=
映射[HhighlightImage[img，{Image[#]}&，掩码[[All，1]]]
输出[8]=

净信息

检查网络中所有阵列的参数数量：

在[9]中：=
信息[NetModel[“基于NAMIC数据训练的ForkNet大脑分割网络”]，“ArraysElementCounts”]
输出[9]=

获取参数总数：

在[10]中：=
信息[NetModel[“基于NAMIC数据训练的ForkNet大脑分割网络”]，“ArraysTotalElementCount”]
输出[10]=

获取层类型计数：

在[11]中：=
信息[NetModel[“基于NAMIC数据训练的ForkNet大脑分割网络”]，“LayerTypeCounts”]
输出[11]=

显示摘要图形：

在[12]中：=
信息[NetModel[“基于NAMIC数据训练的ForkNet大脑分割网络”]，“SummaryGraphic”]
输出[12]=

导出到MXNet

导出将网络转换为可在MXNet中打开的格式：

在[13]中：=
jsonPath=Export[FileNameJoin[{$TemporaryDirectory，“net.json”}]，NetModel[“ForkNet大脑分割网络接受NAMIC数据训练”]，“MXNet”]
输出[13]=

导出还创建了网络参数包含参数的文件：

在[14]中：=
paramPath=FileNameJoin[{DirectoryName[jsonPath]，“net.params”}]
输出[14]=

获取参数文件的大小：

在[15]中：=
文件字节计数[paramPath]
输出[15]=

将MXNet网络表示为图形：

在[16]中：=
导入[jsonPath，{“MXNet”，“NodeGraphPlot”}]
输出[16]=

要求

Wolfram语言12.1（2020年3月）或以上

资源历史记录

  • 创建日期：2020年4月28日
  • 最新更新：2022年5月2日

参考