MIV实验室MRI_complex_dataset数据处理

不要随意copy数据集，尤其是FastMRI数据集，很大，1T多

1.FastMRI：

a.官网：

https://fastmri.med.nyu.edu/

b.服务器地址：

处理数据(每个文件选中间5个slice)：v100：/home/data/ljh/fastmri/multi/dataset

原版数据：xxx.32服务器：/home/disk3/wx/fastMRI_mulit/dataset

c.数据说明：

数据处理：v100:/home/data/ljh/fastmri/MRI/dataset/knee_multi.py

.h5文件 ；15个线圈；训练数据集：973个文件 验证数据集：197个文件

hfile = h5py.File(file_name, 'r')#三个字典对儿<KeysViewHDF5 ['ismrmrd_header', 'kspace', 'reconstruction_rss']>
kspace_data = hfile['kspace'][()]#
print(kspace_data.shape)#(33, 15, 640, 372)
kspace_data = hfile['reconstruction_rss'][()]#
print(kspace_data.shape)#((33, 320, 320))
print(hfile.keys())

每个文件数据维度：(slice, coil, h, w)，slice数目10-50不等，线圈数目是15；kspace中心裁剪为320x320；

数据需要均值方差归一化，data_max在hfile['ismrmrd_header']，在计算PSNR和SSIM时作为data_range

d.数据处理参考

https://github.com/zaccharieramzi/fastmri-reproducible-benchmark

https://github.com/facebookresearch/fastMRI

2.CC-359 12线圈数据集：

a.官网：

https://sites.google.com/view/calgary-campinas-dataset/home

b.服务器地址：

原版数据：v100:/home/data/ljh/fastmri/Brain_Multi

c.数据说明：

数据处理文件：/home/data/ljh/fastmri/code/dataset/Brain_dataset.py

训练数据：47个文件 验证数据：20个文件， h5格式文件读取只有kspace数据：12个线圈

hfile = h5py.File(file_name, 'r')
kspace_data = hfile['kspace'][()]
# (256, 218, 170, 24),256是slice个数，24是12个线圈的实部和虚部(通道0和1，通道2和3类推)
# 共有三种分辨率218x170；218x174；218x180

每个文件256个slice，分辨率共有三种；218x170；218x174；218x180；分辨率不一样的话batch size只能为1，可以统一中心裁剪为218x170来处理。

现有泊松采样mask权重位于：v100：/home/data/ljh/fastmri/code/dataset/poisson_sampling

d.数据处理参考

https://github.com/rmsouza01/MC-MRI-Rec

3.下采样方式：

笛卡尔：

径向采样：(256x256)的mask：v100:/home/data/ljh/Brain_MRI/Brain_MRI/dataset/radial：使用mask时需要shift，即四周变中心，中心变四周，具体见v100：/home/data/ljh/Brain_MRI/Brain_MRI/dataset/Brain_single_dc_radial.py

螺线采样：（256x256）mask：v100:/home/data/ljh/Brain_MRI/Brain_MRI/dataset/spiral；spiral_10指采样10%；使用mask时需要shif

泊松采样: mask：v100:/home/data/ljh/fastmri/code/dataset/poisson_sampling

杂项：

0.github上现有的model_zoo

1. https://github.com/wdika/mridc
2. https://github.com/NKI-AI/direct
3. https://github.com/zaccharieramzi/fastmri-reproducible-benchmark

1.pytorch1.4和pytorch1.11区别

1. 后者有complex64数据类型，可以直接进行复数运算，矩阵的维度可以是(batch, coil, h,w)；而前者只能自己实现复数的乘法等操作,数据维度一般是(batch, coil, h, w, 2)
2. 傅里叶变换函数不一样

2.指标太差了怎么办？

a.数据的问题：可视化零填充图像正常吗，计算指标符合预期吗？可以在dataset.py中可视化中间变量，计算中间变量的指标

b.模型的问题：数据驱动模型一般不会错，UNet都能跑出来结果；模型驱动的方法检查公式、超参数更新是不是有问题