خط تحويلات MONAI لحجم ثلاثي الأبعاد
تطبيع شدة حجم MRI واقتصاصه وإضافة زيادة عشوائية.
الهدف: تطبيق تشوهات واقعية واستخراج رقع للتدريب.
import torch, torchio as tio
torch.manual_seed(0)
subject = tio.Subject(mri=tio.ScalarImage(tensor=torch.rand(1, 64, 64, 48)),
seg=tio.LabelMap(tensor=(torch.rand(1, 64, 64, 48) > 0.9).int()))
tf = tio.Compose([tio.RescaleIntensity(out_min_max=(0, 1)), tio.RandomAffine(degrees=10),
tio.RandomBiasField(), tio.RandomNoise(std=0.02)])
aug = tf(subject)
print("التحويلات المطبقة:", [t.name for t in aug.history])
sampler = tio.data.UniformSampler(patch_size=32)
patches = list(sampler(aug, num_patches=3))
print("عدد الرقع:", len(patches), "| شكل الرقعة:", tuple(patches[0]["mri"].data.shape))
Subject يجمع الصورة والقناع، وتطبق التحويلات المكانية عليهما معاً. RandomBiasField يحاكي عدم تجانس الحقل المغناطيسي في MRI. ثم يأخذ UniformSampler رقعاً ثابتة الحجم للتدريب على ذاكرة محدودة.
التحويلات المطبقة: ['RescaleIntensity', 'Affine', 'BiasField', 'Noise'] عدد الرقع: 3 | شكل الرقعة: (1, 32, 32, 32)
نُفّذ هذا المثال فعلياً واختُبر بتاريخ 21 نوفمبر 2026 على CPU — torchio 1.2.1, torch 2.15.0, python 3.13.18
تطبيع شدة حجم MRI واقتصاصه وإضافة زيادة عشوائية.
توحيد حجم البكسل (Spacing) بين مسوحات من أجهزة مختلفة.
تطبيق مرشح من ITK على صورة ثلاثية الأبعاد بواجهته الوظيفية في Python.
الأقسام
لا يوجد قسم بهذا الاسم. اضغط «بحث» للبحث في محتوى الموقع كله.
المفضلة
نتائجي وشهاداتي
تقدّمي في الأكاديميةنتائج اختباراتيتقدّم الأطفالشهادات الأكاديميةشهادات الاختباراتابدأ أي درس أو اختبار وسيظهر هنا لتعود إليه بسرعة.
الإعدادات
أنا المساعد الذكي لأطر ومكتبات الذكاء الاصطناعي. صف مشروعك أو اسألني عن مكتبة أو مقارنة أو مثال برمجي، وسأجيبك من قاعدة بيانات الموسوعة مع الروابط والمصادر.
يجيب من قاعدة بيانات الموسوعة فقط، دون نموذج لغوي ودون إرسال سؤالك إلى أي جهة خارجية.
قد يخطئ المساعد أحياناً، فراجع المصادر المرفقة.