ожидается, что conv2d будет иметь 4 размера, но получит массив с формой

Question

Я пытаюсь выполнить сверточную сеть для некоторых медицинских изображений, имеющих формат nifti , используя Keras .Когда я пытаюсь подобрать модель следующим образом:

model.fit(X_train, Y_train, 
      batch_size=batch_size, 
      epochs = n_epoch, 
      validation_data=(X_test, Y_test))

я получаю эту ошибку:

ожидал, что conv2d_171 будет иметь 4 измерения, но получил массив с формой (1240, 240,240)

Но когда я изменяю размер ввода с img_channels = 4 на этот:

img_channels = 3
img_rows = 240
img_cols = 240

я получаю еще одну ошибку:

ожидаемый input_8иметь форму (240, 240, 3), но получить массив с формой (240, 240, 4)

Размер изображения примерно такой:

я должен изменить размеры изображений?или перевернуть порядок элементов изображения?

Это код для модели:

    inputs = Input((img_rows, img_cols, img_channels))
    s = Lambda(lambda x: x / 255) (inputs)

    c1 = Conv2D(16, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (s)
    c1 = Dropout(0.1) (c1)
    c1 = Conv2D(16, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c1)
    p1 = MaxPooling2D((2, 2)) (c1)

    c2 = Conv2D(32, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (p1)
    c2 = Dropout(0.1) (c2)
    c2 = Conv2D(32, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c2)
    p2 = MaxPooling2D((2, 2)) (c2)

    c3 = Conv2D(64, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (p2)
    c3 = Dropout(0.2) (c3)
    c3 = Conv2D(64, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c3)
    p3 = MaxPooling2D((2, 2)) (c3)

    c4 = Conv2D(128, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (p3)
    c4 = Dropout(0.2) (c4)
    c4 = Conv2D(128, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c4)
    p4 = MaxPooling2D(pool_size=(2, 2)) (c4)

    c5 = Conv2D(256, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (p4)
    c5 = Dropout(0.3) (c5)
    c5 = Conv2D(256, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c5)

    u6 = Conv2DTranspose(128, (2, 2), strides=(2, 2), padding='same') (c5)
    u6 = concatenate([u6, c4])
    c6 = Conv2D(128, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (u6)
    c6 = Dropout(0.2) (c6)
    c6 = Conv2D(128, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c6)

    u7 = Conv2DTranspose(64, (2, 2), strides=(2, 2), padding='same') (c6)
    u7 = concatenate([u7, c3])
    c7 = Conv2D(64, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (u7)
    c7 = Dropout(0.2) (c7)
    c7 = Conv2D(64, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c7)

    u8 = Conv2DTranspose(32, (2, 2), strides=(2, 2), padding='same') (c7)
    u8 = concatenate([u8, c2])
    c8 = Conv2D(32, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (u8)
    c8 = Dropout(0.1) (c8)
    c8 = Conv2D(32, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c8)

    u9 = Conv2DTranspose(16, (2, 2), strides=(2, 2), padding='same') (c8)
    u9 = concatenate([u9, c1], axis=3)
    c9 = Conv2D(16, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (u9)
    c9 = Dropout(0.1) (c9)
    c9 = Conv2D(16, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c9)

    outputs = Conv2D(1, (1, 1), activation='sigmoid') (c9)

Answer 1

Я вижу, вы используете Unet для сегментации.Проблема с вашими ярлыками, каждый из которых должен быть 3D-матрицей вроде (width, height, num_classes).Таким образом, с длиной выборки она должна составлять (sample_length, width, height, num_classes).

В вашем случае преобразуйте их как (310, 240, 240, num_classes).Если метка / целевые изображения являются двоичными, num_classes=1.В противном случае вам может потребоваться выполнить некоторую предварительную обработку аннотированных изображений и быстро скопировать их в num_classes.

Также обратите внимание, если вы строите граф вычислений несколько раз, так как кажется conv2d_171быть довольно большим числом.Я не вижу так много слоев в вашей архитектуре.