自动摘要: |版本号|作者|发布日期|修订| ||||| |V1.0.0|@叶子扬||初始版| |V1.1 ……..

版本号	作者	发布日期	修订
V1.0.0	@叶子扬		初始版
V1.1.0	@Sindre Yang(sindre)	2023年3月17日	整理并修正

🔖 参考资料

本次迭代周期中没有涉及到值得一提的参考资料

🛒 项目环境

python 3.7.6
pytorch 1.6.0
numpy 1.18.1
pandas 1.1.3
vedo 2020.4.2
scikit-learn 0.22.1
visdom 0.1.8.9 (optional; for step3)
thundersvm (optional; for step6)
pygco (0.0.1) (optional; for step6)

🛒 项目流程

数据前处理
1. 文件：stl_To_vtp.py
  1. 采用21组上下颌降采样的stl模型数据和txt标签数据，导出为vtp格式
  2. 将对颌牙打上相同的标签原数据命名为Sample_0{n}_d.vtp，做镜像处理的数据命名为'Sample_0{n}_d.vtp'.format(j+1000)
  3. 保存在_./models/rerrangge_文件夹中
数据增强
1. 文件：step1_augmentation.py
  1. 为了增加训练数据集，通过旋转、放大、平移每个网格原数据和镜像处理后的网格数据，命名为stl_To_vtp.py和A{0}_Sample_0{1}_d.vtp'.format(i_aug, i_sample+1000)
  2. 保存在_./models/augmentation_vtk_data_ ”文件夹
生成训练集和验证集
1. 文件：step2_get_list.py
  1. 定义变量num_augmentation和num_samples,使用21组数据中的16组80%为训练集、20%为验证集、测试集来自训练集
  2. 测试集、训练集、验证集分别被分为六个csv文件，存储训练、验证网格的相对地址和测试网格的ID
  3. combine_train.py便于训练，合并六个训练子集
训练数据
1. 文件：step3_training.py
  1. 15个类（14颗牙齿和牙龈），特征数为15个包括三个顶点坐标（9）、法向量（3），相对位置向量（3）
  2. 准备输入特征和进一步增强的数据以及计算相邻矩阵（AS和AL）都是由Mesh_dataset.py进行的
  3. 为了进一步扩充数据集，在“_./models/augmentation_vtk_data_ 中的原数据中选择所有牙齿面片并随机选择一些牙龈面片形成 6,000 个面片训练。
  4. 输出losses_metrics_vs_epoch.csv得到loss,DSC,SEN,PPV,val_loss,val_DSC,val_SEN,val_PPV指标
2. 文件：step3_1_continous_training.py
  1. 作者在_./models_ 文件夹中提供了两个经过训练的模型（一个上部和一个下部）和训练曲线
    - dsc_vs_epoch.png
    - loss_vs_epoch.png
    - ppv_vs_epoch.png
    - sen_vs_epoch.png
    - MeshSegNet_Man_15_classes_72samples_lr1e-2_best.zip
    - MeshSegNet_Max_15_classes_72samples_lr1e-2_best.zip

可以选择自己的训练模型或者是作者的来继续训练输出losses_metrics_vs_epoch.csv得到 loss, DSC, SEN, PPV, val_loss, val_DSC, val_SEN, val_PPV 指标

模型测试
1. 文件： step4_test.py
模型推理
1. 文件：step5_predict.py
  1. 得到Example_d_predicted.vtp

结果优化-图切
1. 文件：step6_predict_with_post_processing_pygco.py
  1. python包pygco实现
  2. 得到降采样后的模型Example_d_predicted_refined.vtp（简化模型），升采样后的模型Example_predicted_refined.vtp（通过KNN进行还原的网格）

落叶无痕

MeshSegNet使用指南V1

🔖 参考资料

🛒 项目环境

🛒 项目流程