一、标记groundtruth

A、步骤：

1、在imageJ里，点击import，再点image_sequence，然后导入图片。注意num选择图片数目。

2、在imageJ里，点击save_as，选择rawdata，进行保存。

3、打开ITKSNAP，file->open image->browse，图的格式选择file_format。

4、点击next后，在image dimension里面选择：这里z应该是1，因为是二维。x,y为像素坐标。再点next，next。

5、点击图片右上角的A来放大需要的图到full window

6、在左边的工具栏里选择画笔刷（第四个），再选择半圆形的adaptive bursh，再调整brush size。brush size需要和细胞的size对应。adaptive algorithm那里的参数也可以调。

其实也可以用polygon mode圈边框，这也是一个好办法。

7、然后作者展示了preprocess的图，这些图更好标记一点。

8、在左边工具栏的segmentation label里可以选择不同颜色的label。在上方菜单栏的segmentation里选择label editor可以增加label。

9、分割好之后，选择workspace里的save wordkspace as，然后点save，再在弹出来的框里，选择保存的格式为nrrd格式。

在第9步的时候注意：必须要做出改变，才会跳到上面描述的框和步骤。

B、遇到的问题：

1、在imageJ中显示保存的nrrd文件不是彩色的。

解决办法：我用两种不同颜色标记，然后保存成nrrd格式，在imageJ里打开，标记的颜色是灰色的，但是灰色的深浅不同。

回看了学长的论文，也是在原图上面进行标记的，然后在原图上标记好截图的。（那就没问题了。）

2、如何保存再打开画过的图接着画？

保存成下面的格式，然后就可以用main_image打开。

我尝试了一下，发现打开之后没有原图了哎。。。。。

正确步骤如下：

画好之后还是保存成上图的格式。

open main image里打开原图。

再在segemetation, open segmentaion里打开新的图。就可以接着上一次的继续画啦。画好再保存成上面的格式。

3、怎么只保存图片？

File, save image, main image

3、对比度怎么调节？

tools->image contrast

2、怎么保存彩色的图啊？即使在原图上保存也好啊！

回去看ITKsnap的主页寻求帮助！

好像PPT里用不到这个，我感觉。

3、注意：对照groundtruth去画，特别亮的区域不要画上！

二、进行object层面上的准确度计算

1、虽然自己有思路，但是先看一下两篇参考文献里面怎么说。

看了一下参考文献，我真心觉得，画图只是为了好看，我能自己写代码把object层面的准确度给算出来啊。（虽然是用matlab，但是试试看咯）

还是先把图画好吧，然后再开始写喜欢的代码，跳回第一部分。

2、放弃第一部分，直接开始第二部分的计算。

思路是用matlab，同时参考之前下载的合成图片的代码。

此外，不用GAN生成图片，就说不过去了吧。

3、先找之前的代码（好像被我删掉了，总归能找到源网址的啦。）

好像是这个主页，再仔细找找吧：https://cs.adelaide.edu.au/~zhi/isbi15_challenge/dataset.html

好的好的终于找到啦！

https://cs.adelaide.edu.au/~carneiro/isbi14_challenge/ds_synthetic.html

（发现2015ISIB里有关于cell tracking的chanllenge，有空去看）

然后再找里面关于闭合区间的代码。

在除了main之外最大的子函数的“Extract free-lying cells from Scene Segmentation”这个部分里去找。

好像是这个函数“regionprops”，但是这里用的是bounding box是长方形的，肯定不对。

所以还是得靠自己去写代码。

那句话是这样的：

sceneStats = regionprops(sceneMask, 'PixelIdxList', 'BoundingBox', 'Image', 'FilledImage');

4、个人思路：

创建cell找物体，这个cell里包含很多cell，每个cell里包含物体的横纵坐标。

同时创建一个公共的cell，存储已经遍历过的物体的横纵坐标。

自己写真的写不出来的。。。

https://blog.csdn.net/langb2014/article/details/49886787 参考这里对regionprops的理解，我用了这样一段代码：

ceneStats = regionprops(gt, 'PixelIdxList', 'ConvexImage', 'Image', 'FilledImage');

顺利提取出各个物体。

进而进行比较。好像真的不对。

谷歌的关键词不对，应该谷歌：二值化图像的连通域！！！

然后中文搜索出来是依旧是用regionprop肯定不对的。

我尝试用英文搜索这个关键词：“connected region matlab”

https://www.mathworks.com/help/images/ref/bwconncomp.html

object_gt = bwconncomp(gt)

object_pr = bwconncomp(pr)

这样就顺利解决问题了。

5、一边做PPT，一边计算object层面的准确度。

6、F1的计算

（好饿啊 好想吃东西）（6点之前晚饭就到了 (*/ω＼*)，先吃一点饼干）

好的，休息结束继续计算。

参考1.19的日记，有如下结论：

n_tp：groundtruth为正，预测也为正

n_tn：groundtruth为负，预测也为负

n_fp：groundtruth为负，但是预测为正

n_fn：groundtruth为正，但是预测为负

基于segmetation去找annotation，重叠超过百分之50算tp，重叠小于百分之50算fp，

基于annotation去找segmetation，重叠小于百分之50算fn，

MATLAB里object内的元素调用是用.的

matlab定义函数：

function[输出形参表: output1, ...,outptn]= 函数名(输入形参表: input1, ... , inputn)

注释说明部分、

函数体代码部分

end

找两个数组中相同元素的数目的函数：https://zhidao.baidu.com/question/457450549.html

注意：for 循环应该是这样的，如果有结果为1，跳出；如果有结果为0，继续循环，如果所有的结果都是0，fp+1。我觉得应该是这样的。

注意：continue是直接跳过余下的for循环部分，进入下一个for循环，。怪不得出bugl了。。。。

第一次计算的结果，f1是95.97%

换一幅图计算试试看：94.12%

7、Dice index的计算

组合键Ctrl+Shift+= 设置上标

下标 ctrl+=

出错的原因：此 compare  cell 非 彼compaer cell

8、Hausdorff Distance

（1）参考网站：

https://www.jianshu.com/p/24ec42a61ace

真的写的蛮好的，这个网站。和论文内容配套。

Hausdorff距离可以理解成一个点集中的点到另一个点集的最短距离的最大值。

真的有个图好理解多了，秒懂！

（2）Matlab取整函数有: fix, floor, ceil, round四种，具体使用方法如下：

 fix. 朝零方向取整

 floor. 朝负无穷方向取整（不超过x 的最大整数.（高斯取整））

 ceil. 朝正无穷方向取整（大于x 的最小整数）

 round. 四舍五入到最近的整数

三、扩充Unet部分的介绍

H distance的程序还没跑完，我先做第三部分吧。

参考网站：https://www.jiqizhixin.com/articles/2018-01-21-6

然后我照着这个图画一幅自己的图吧！

这篇文章对Unet结构的描写真好啊，用上！

真好啊真好啊！

终于画完了图，不知道老板会不会喜欢这个图。

剩下来就是跟GAN相关的内容了。

四、介绍GAN

首先要去找的肯定是李宏毅的PPT啊！

1、哦不，第一件事是看学长的论文，说明为什么要用GAN。

2、第二件事情是介绍GAN。

这个图摘自：http://slazebni.cs.illinois.edu/spring17/lec11_gan.pdf

真棒的图！

然后其他的参考网站有：https://zhuanlan.zhihu.com/p/24767059

https://www.jiqizhixin.com/articles/2017-08-21-14

https://www.msra.cn/zh-cn/news/features/gan-20170511

其实自己能理解，但是需要用英语表达出来而且表达好。

目标优化函数如下：

MAX是为了图片看起来更像真实图片，MIN是为了让discriminator辨别不出来是假图片还是真图片。

这是cyclegan的loss function公式，放到手机上看：

我真的没太看懂GAN的loss function啊。

看懂了看懂了。

最后检查一遍PPT就睡觉。

假装自己是导师在检查自己

最后把PPT发给导师把