MONAI中，一定要学会的三种Dataset使用方法

在正式学习MONAI功能函数前，以下的网址必须要收藏。

1. MONAI API： https://docs.monai.io/en/latest/index.html

作用：查询功能函数的用法，主要分为以下几类

2. MONAI GitHub项目地址： https://github.com/Project-MONAI     

作用：如果上述API 介绍的不够完整，可以去项目里面找一些例子，包括如何做分类，分割，生成模型，异常检测。

以及transform，dataset，metric等等怎么使用。超多丰富的例子，自己去挖掘，项目一直在更新。

-----------------------------------常用Dataset介绍--------------------------------------

MONIA提供了非常多的Dataset, 包括Dataset⭐️, IterableDataset, PersistentDataset, CacheDataset⭐️, SmartCacheDataset, ZipDataset, ArrayDataset⭐️, ImageDataset

今天介绍几个比较常用的。

1.monai.data.Dataset

参数简介

data: 将image 和 label 的地址或值存为字典。label可以是分割的图像，也可以是分类的值（如0， 1， 2...）

transform: 根据分类或分割任务来定义

举例 

import os
from glob import glob  # 注意这是两个glob
import numpy as np

import monai
from monai.data import Dataset 

imglist = sorted(glob('/Volumes/Backup Plus/data/COVID_DATA/MONAI-dataset/*.jpg'))[:11]
label = np.concatenate((np.zeros(5, dtype=np.int64), np.ones(6, dtype=np.int64)))
data_dict =  [{'image': image, 'label': label} for image, label in zip(image_list, label)]

# 创建字典的意思就是将image和label搞成对，哪幅图像对应哪个标签。这里的image是图像存放的地址，而图像的格式可以使jpg, png, nii.gz, 二维三维都可以，关于label, 如果是分类，那它应该是数值，如果是分割，那它就是图像的mask地址
# 记住这个字典对，之后取数据来训练的时候，就是根据字典的键来取得，也就是这里的'image'和‘label’。你也可以改成其他的，如'img'和‘seg’。不管改成什么，记住就ok

如果是分割，那么image, label都是地址。下图我是直接把image当做label进行演示。

这就把image和label搞好了，接下来就是把配对好的数据组装成dataset和dataloder

注意注意

对于Dataset 这个函数，需要特别注意，因为它只接收图像标签对形式的字典，所有在做transform的时候，要选择字典transform, 也就是所有的变换后面都要加一个’d‘， 如要加在图像，用LoadImage，字典的话就要用LoadImaged.

具体查看API的Dictionary Transforms, 如下图。

from monai.transforms import Compose, LoadImaged, AddChanneld, ToTensord, Resized
transform = Compose(
    [
        LoadImaged(keys='image'), # 做分类，这里image需要加载
        AddChanneld(keys='image'),   # 给加载进来的图像加个通道，只针对图像。
        Resized(keys='image', spatial_size=(96,96)),
        ToTensord(keys='image'),   # 把图像转成tensor格式
    ]
)

train_ds = Dataset(data=data_dict[:7], transform=transform)
val_ds = Dataset(data=data_dict[-4:], transform=transform)
train_loader = monai.data.DataLoader(
    train_ds, batch_size=4, shuffle=True, num_workers=10)
test_loader = monai.data.DataLoader(
    val_ds, batch_size=2, shuffle=True, num_workers=10)

2. monai.data.CacheDataset

具有缓存机制的dataset，就是在第一个epoch之前，把所有训练的数据都加载进缓存，这样可以加快网络提取数据的速度。它有两个注意点。第一个是，它缓存的是确定性变换（或者说是非随机变换）后的数据，而不是原始数据。比如你在transform中，使用了上图所示的变换，其中，LoadImaged, Addchanneld, Spacingd, Orientationd,SacleIntensityRanged都是确定性变化，于是缓存的是经过这些变换之后的数据。而剩余的变换包括（RandCropByPosNegLabels, ToTensord）是每次迭代的时候进行的。

总 结

CacheDataset缓存确定性变换后的结果，其余的随机变换在每次迭代的时候进行。

根据这个规则，我们应该把尽可能多的确定性变换放在随机变换之前。而一般来讲，ToTensord()是确定性的，但通常应该是最后一个变换。

在使用带缓存机制的dataset的时候，会在训练前处理数据，因此加载数据的过程会很慢，但是训练的时候会比普通的快。我一般也是用CacheDataset比较多。官方测试的一个对比如下：

参数介绍

data和transform同前面的Dataset.

cache_num: 要缓存的项目数(int)。默认值为sys.maxsize

cache_rate: 缓存数据占总数的百分比。默认为1（即全部缓存）

num_workers: 要使用的工作进程数目

3.monai.data.ArrayDataset

前面两种Dataset都是基于字典的，如果你不喜欢用字典模式，就可以考虑使用这个数组模式。

不管是分类还是分割，都可以使用该数组模式。在该模式下，可以确保为图像，分割，分割标签和分类标签用相同的随机数种子。

注意注意

使用ArrayDataset加载数据时，必须设定image_only=True，只加载图像值而不加载元数据，否则会报错。

参数介绍

img:  图像地址

img_transform: 用于图像的transform

seg: 如果是分割，为图像地址，如果是分类，不填即可

seg_transform: 如果是分割，填写对mask的变换

label: 如果是分类, 为数组

label_transform: 如果是分类，对label做的变换，一般不做变换

举例：

import monai
import os
from glob import glob
from monai.data import ArrayDataset
from monai.transforms import Compose, LoadImage, AddChannel, ToTensor, Resize

imglist = sorted(glob('/Volumes/Backup Plus/data/COVID_DATA/MONAI-dataset/*.jpg'))[:11]
label = np.concatenate((np.zeros(5, dtype=np.int64), np.ones(6, dtype=np.int64)))

transform = Compose(
    [
        LoadImage(image_only=True),   # 使用数组加载数据时，必须设定image_only=True，只加载图像值而不加载元数据
        AddChannel(),
        Resize(spatial_size=(96,96,96)),
        ToTensor()
    ]
)

由于加载的是数组，这里所有的transform都不加‘d’。

train_ds = ArrayDataset(img=imglist, img_transform=transform, labels=label)
train_loader = monai.data.DataLoader(
    train_ds, batch_size=4, shuffle=True, num_workers=4)

for image, label in train_loader:
    print(image.shape)
    print(label.shape)
    break

主要分享这三种常用的Dataset, 满足大部分应用场景。本次分享的代码，可以尝试使用任意的二维数据格式或三维数据练一练。需要注意的是，图像格式如果是jpeg，LoadImage（）是不支持加载的，图像如果是RGB格式（长*宽*3通道）, 也是不能按这种方式加载的，如果手里只有RGB格式的数据，可以在transform中，像我一样，添加一个Resize()，把它变成一个三维数据，练练。但是实际应用中，这样是不科学的。

MONAI本来是为医学图形开发的，而医学图像，尤其是三维医学图像（CT 和MRI）通常都是以nii.gz格式保存的，所以使用nii.gz格式的图像执行上述操作是更好的。

下一次分享transform中常用的一些数据处理方法。