TensorFlow中fastMRI数据集的数据管道。
tf-fastmri-data的Python项目详细描述
tf-fastmri数据
围绕tf.dataAPI构建，tf-fastmri-data为fastMRI数据集提供了可靠的、经过单元测试的数据集。在
安装
当前，您需要从源安装程序包：
git clone https://github.com/zaccharieramzi/tf-fastmri-data.git
cd tf-fastmri-data
pip install .
示例使用
^{pr2}$数据
要下载数据，您需要同意列出的fastMRI术语here。 之后，您将收到一封带有数据下载链接的电子邮件。在
然后可以使用环境变量FASTMRI_DATA_DIR来指示fastMRI的位置。
这将允许您在实例化FastMRIDatasetBuilder时不必指定路径。在
火把
这个库的PyTorch等价物就是official fastMRI repository。 尤其是，data folder是您找到数据实用程序的地方。在
基准
可以使用以下命令运行基准脚本：
FASTMRI_DATA_DIR=/path/to/fastmri python benchmark.py
目前，基准给出了以下输出：
Multi coil with tfio loading (random slice): 0.369743709564209s per-file.
Single coil with tfio loading (random slice): 0.02855397939682007s per-file.
Multi coil with h5py loading (random slice, without preprocessing): 0.010439331208042165s per-file.
Single coil with h5py loading (random slice, without preprocessing): 0.0015996736497735258s per-file.
Single coil training with tfio loading: 0.04578723907470703s per-step.
您还可以看到TensorBoard关于单线圈数据集的建议（使用非常简单的模型）：
引文
如果您在研究中使用fastMRI数据或此代码，请考虑引用fastMRI数据集论文：
@inproceedings{zbontar2018fastMRI,
title={{fastMRI}: An Open Dataset and Benchmarks for Accelerated {MRI}},
author={Jure Zbontar and Florian Knoll and Anuroop Sriram and Matthew J. Muckley and Mary Bruno and Aaron Defazio and Marc Parente and Krzysztof J. Geras and Joe Katsnelson and Hersh Chandarana and Zizhao Zhang and Michal Drozdzal and Adriana Romero and Michael Rabbat and Pascal Vincent and James Pinkerton and Duo Wang and Nafissa Yakubova and Erich Owens and C. Lawrence Zitnick and Michael P. Recht and Daniel K. Sodickson and Yvonne W. Lui},
journal = {ArXiv e-prints},
archivePrefix = "arXiv",
eprint = {1811.08839},
year={2018}
}
- 项目
标签：
欢迎加入QQ群-->： 979659372
