关于训练细节的一些问题 about beamdoseprediction

[ukaukaaaa]

您好，非常荣幸能够拜读您的文章，我有一些问题不是很明白，希望您能够解答一下：
1、第一个Global Dose Network是否有损失函数（例如MAE损失）进行监督？
2、第二个Beam-wise Dose Network的U-NET网络中输入和输出分别是几通道的，具体包含了哪些部分？
3、Lm和总损失函数L的比例是多少？
非常感谢您！

您好，感谢关注。

1. 第一个global network 是有mae loss做监督的。
2. 第二个网络中输入通道由ct, ptv, oar, beam masks, coarse dose组成，输出就是dose map。
3. 这个问题可以参考 #1 。

[jianglexin]

您好，非常荣幸能够拜读您的文章，我有一些问题不是很明白，希望您能够解答一下：
1、第一个Global Dose Network是否有损失函数（例如MAE损失）进行监督？
2、第二个Beam-wise Dose Network的U-NET网络中输入和输出分别是几通道的，具体包含了哪些部分？
3、Lm和总损失函数L的比例是多少？
非常感谢您！

您好，感谢关注。

1. 第一个global network 是有mae loss做监督的。
2. 第二个网络中输入通道由ct, ptv, oar, beam masks, coarse dose组成，输出就是dose map。
3. 这个问题可以参考 Questions about hyper-parameters to balance the two DVH loss terms #1 。

您好，非常感谢您回答我的问题。关于第二个问题，我可能没有表达清楚，请允许我再请教一下。
您在network代码中提到Global Dose Network和Beam-wise Dose Network使用了相同的结构但是不同的输出通道，我想请教几个问题，希望您能够解答一下：

1、U-NET网络输出的是一个通道的dose map，然后和9个beam mask组成的beam masks相乘得到Predicted Beam Voters，进而和Ground-Truth Beam Voters来构建损失函数Lm？还是输出的是九个通道的dose map，然后和9个beam mask组成的beam masks相乘得到Predicted Beam Voters，进而和Ground-Truth Beam Voters来构建损失函数Lm？
2、损失函数Lm是否参与第一部分Global Dose Network的监督与优化

再次感谢您！

[ukaukaaaa]

您好，非常荣幸能够拜读您的文章，我有一些问题不是很明白，希望您能够解答一下：
1、第一个Global Dose Network是否有损失函数（例如MAE损失）进行监督？
2、第二个Beam-wise Dose Network的U-NET网络中输入和输出分别是几通道的，具体包含了哪些部分？
3、Lm和总损失函数L的比例是多少？
非常感谢您！

您好，感谢关注。

1. 第一个global network 是有mae loss做监督的。
2. 第二个网络中输入通道由ct, ptv, oar, beam masks, coarse dose组成，输出就是dose map。
3. 这个问题可以参考 Questions about hyper-parameters to balance the two DVH loss terms #1 。

您好，非常感谢您回答我的问题。关于第二个问题，我可能没有表达清楚，请允许我再请教一下。 您在network代码中提到Global Dose Network和Beam-wise Dose Network使用了相同的结构但是不同的输出通道，我想请教几个问题，希望您能够解答一下：

1、U-NET网络输出的是一个通道的dose map，然后和9个beam mask组成的beam masks相乘得到Predicted Beam Voters，进而和Ground-Truth Beam Voters来构建损失函数Lm？还是输出的是九个通道的dose map，然后和9个beam mask组成的beam masks相乘得到Predicted Beam Voters，进而和Ground-Truth Beam Voters来构建损失函数Lm？ 2、损失函数Lm是否参与第一部分Global Dose Network的监督与优化

再次感谢您！

1. 第二个unet输出的时候实际上是九个通道叫predicted beam voters，这时候loss分两部分，第一部分是9个predicted beam voters和ground truth beam voters 做mae loss也就是Lm，第二部分是将九个通道通过multi-beam voting重建为一个dose map 然后和ground truth dose map做loss包括了mae（Lr loss）和dvh loss。这里要注意第二个unet输出的时候一定要乘上beam mask再和ground truth beam voters做loss，因为网络预测的可能不准，并且我们只想计算beam path上的voxel difference
2. 有两种做法，一种是两个unet分开训练，训练第一个的时候就没有Lm了，就用mae和dvh loss。第二种是合起来训练，这时候第一个网络因为只输出一个dose map，所以Lm仍旧不参与训练

[jianglexin]

您好，非常荣幸能够拜读您的文章，我有一些问题不是很明白，希望您能够解答一下：
1、第一个Global Dose Network是否有损失函数（例如MAE损失）进行监督？
2、第二个Beam-wise Dose Network的U-NET网络中输入和输出分别是几通道的，具体包含了哪些部分？
3、Lm和总损失函数L的比例是多少？
非常感谢您！

您好，感谢关注。

1. 第一个global network 是有mae loss做监督的。
2. 第二个网络中输入通道由ct, ptv, oar, beam masks, coarse dose组成，输出就是dose map。
3. 这个问题可以参考 Questions about hyper-parameters to balance the two DVH loss terms #1 。

您好，非常感谢您回答我的问题。关于第二个问题，我可能没有表达清楚，请允许我再请教一下。 您在network代码中提到Global Dose Network和Beam-wise Dose Network使用了相同的结构但是不同的输出通道，我想请教几个问题，希望您能够解答一下：
1、U-NET网络输出的是一个通道的dose map，然后和9个beam mask组成的beam masks相乘得到Predicted Beam Voters，进而和Ground-Truth Beam Voters来构建损失函数Lm？还是输出的是九个通道的dose map，然后和9个beam mask组成的beam masks相乘得到Predicted Beam Voters，进而和Ground-Truth Beam Voters来构建损失函数Lm？ 2、损失函数Lm是否参与第一部分Global Dose Network的监督与优化
再次感谢您！

1. 第二个unet输出的时候实际上是九个通道叫predicted beam voters，这时候loss分两部分，第一部分是9个predicted beam voters和ground truth beam voters 做mae loss也就是Lm，第二部分是将九个通道通过multi-beam voting重建为一个dose map 然后和ground truth dose map做loss包括了mae（Lr loss）和dvh loss。这里要注意第二个unet输出的时候一定要乘上beam mask再和ground truth beam voters做loss，因为网络预测的可能不准，并且我们只想计算beam path上的voxel difference
2. 有两种做法，一种是两个unet分开训练，训练第一个的时候就没有Lm了，就用mae和dvh loss。第二种是合起来训练，这时候第一个网络因为只输出一个dose map，所以Lm仍旧不参与训练

您好，非常抱歉再次打扰您，我有一些训练细节方面的问题想请教您：
1、您在训练的时候，采用的是两个U-NET分开训练的方法还是合起来训练的方法
2、在数据处理方面，您在文章中提到将PTV和OAR区域合并到一个mask，我想确认一下您是将PTV合并到一个mask、OAR区域合并到另一个mask（这样第一个模型输入包含CT、PTV、OAR三个通道），还是将PTV和OAR区域合并到同一个mask（这样第一个模型输入包含CT、PTV与OAR合并图两个通道）
3、您在训练模型的时候，一共训练了多少个epoch？每个epoch中训练多少个数据？
4、您在训练第一个U-NET的时候，使用的归一化方法（BN、IN、GN）是哪一个？是否使用了dropout3d层？
5、您在训练第二个U-NET的时候，使用的归一化方法（BN、IN、GN）是哪一个？是否使用了dropout3d层？
非常感谢您！

[ukaukaaaa]

您好，非常荣幸能够拜读您的文章，我有一些问题不是很明白，希望您能够解答一下：
1、第一个Global Dose Network是否有损失函数（例如MAE损失）进行监督？
2、第二个Beam-wise Dose Network的U-NET网络中输入和输出分别是几通道的，具体包含了哪些部分？
3、Lm和总损失函数L的比例是多少？
非常感谢您！

您好，感谢关注。

1. 第一个global network 是有mae loss做监督的。
2. 第二个网络中输入通道由ct, ptv, oar, beam masks, coarse dose组成，输出就是dose map。
3. 这个问题可以参考 Questions about hyper-parameters to balance the two DVH loss terms #1 。

您好，非常感谢您回答我的问题。关于第二个问题，我可能没有表达清楚，请允许我再请教一下。 您在network代码中提到Global Dose Network和Beam-wise Dose Network使用了相同的结构但是不同的输出通道，我想请教几个问题，希望您能够解答一下：
1、U-NET网络输出的是一个通道的dose map，然后和9个beam mask组成的beam masks相乘得到Predicted Beam Voters，进而和Ground-Truth Beam Voters来构建损失函数Lm？还是输出的是九个通道的dose map，然后和9个beam mask组成的beam masks相乘得到Predicted Beam Voters，进而和Ground-Truth Beam Voters来构建损失函数Lm？ 2、损失函数Lm是否参与第一部分Global Dose Network的监督与优化
再次感谢您！

1. 第二个unet输出的时候实际上是九个通道叫predicted beam voters，这时候loss分两部分，第一部分是9个predicted beam voters和ground truth beam voters 做mae loss也就是Lm，第二部分是将九个通道通过multi-beam voting重建为一个dose map 然后和ground truth dose map做loss包括了mae（Lr loss）和dvh loss。这里要注意第二个unet输出的时候一定要乘上beam mask再和ground truth beam voters做loss，因为网络预测的可能不准，并且我们只想计算beam path上的voxel difference
2. 有两种做法，一种是两个unet分开训练，训练第一个的时候就没有Lm了，就用mae和dvh loss。第二种是合起来训练，这时候第一个网络因为只输出一个dose map，所以Lm仍旧不参与训练

您好，非常抱歉再次打扰您，我有一些训练细节方面的问题想请教您： 1、您在训练的时候，采用的是两个U-NET分开训练的方法还是合起来训练的方法 2、在数据处理方面，您在文章中提到将PTV和OAR区域合并到一个mask，我想确认一下您是将PTV合并到一个mask、OAR区域合并到另一个mask（这样第一个模型输入包含CT、PTV、OAR三个通道），还是将PTV和OAR区域合并到同一个mask（这样第一个模型输入包含CT、PTV与OAR合并图两个通道） 3、您在训练模型的时候，一共训练了多少个epoch？每个epoch中训练多少个数据？ 4、您在训练第一个U-NET的时候，使用的归一化方法（BN、IN、GN）是哪一个？是否使用了dropout3d层？ 5、您在训练第二个U-NET的时候，使用的归一化方法（BN、IN、GN）是哪一个？是否使用了dropout3d层？ 非常感谢您！

1. 我是分开训练的
2. 不是的，ptv和oar各自合并成一个mask，每个mask里面不同ptv或者不同oar用不同的value代表。
3. epoch数是1000，使用的数据是官方数据集的训练集
4. 我使用的都是instancenorm，因为gpu资源限制问题无法使用大batch size就使用了instancenorm

[jianglexin]

您好，非常荣幸能够拜读您的文章，我有一些问题不是很明白，希望您能够解答一下：
1、第一个Global Dose Network是否有损失函数（例如MAE损失）进行监督？
2、第二个Beam-wise Dose Network的U-NET网络中输入和输出分别是几通道的，具体包含了哪些部分？
3、Lm和总损失函数L的比例是多少？
非常感谢您！

您好，感谢关注。

1. 第一个global network 是有mae loss做监督的。
2. 第二个网络中输入通道由ct, ptv, oar, beam masks, coarse dose组成，输出就是dose map。
3. 这个问题可以参考 Questions about hyper-parameters to balance the two DVH loss terms #1 。

您好，非常感谢您回答我的问题。关于第二个问题，我可能没有表达清楚，请允许我再请教一下。 您在network代码中提到Global Dose Network和Beam-wise Dose Network使用了相同的结构但是不同的输出通道，我想请教几个问题，希望您能够解答一下：
1、U-NET网络输出的是一个通道的dose map，然后和9个beam mask组成的beam masks相乘得到Predicted Beam Voters，进而和Ground-Truth Beam Voters来构建损失函数Lm？还是输出的是九个通道的dose map，然后和9个beam mask组成的beam masks相乘得到Predicted Beam Voters，进而和Ground-Truth Beam Voters来构建损失函数Lm？ 2、损失函数Lm是否参与第一部分Global Dose Network的监督与优化
再次感谢您！

1. 第二个unet输出的时候实际上是九个通道叫predicted beam voters，这时候loss分两部分，第一部分是9个predicted beam voters和ground truth beam voters 做mae loss也就是Lm，第二部分是将九个通道通过multi-beam voting重建为一个dose map 然后和ground truth dose map做loss包括了mae（Lr loss）和dvh loss。这里要注意第二个unet输出的时候一定要乘上beam mask再和ground truth beam voters做loss，因为网络预测的可能不准，并且我们只想计算beam path上的voxel difference
2. 有两种做法，一种是两个unet分开训练，训练第一个的时候就没有Lm了，就用mae和dvh loss。第二种是合起来训练，这时候第一个网络因为只输出一个dose map，所以Lm仍旧不参与训练

您好，非常抱歉再次打扰您，我有一些训练细节方面的问题想请教您： 1、您在训练的时候，采用的是两个U-NET分开训练的方法还是合起来训练的方法 2、在数据处理方面，您在文章中提到将PTV和OAR区域合并到一个mask，我想确认一下您是将PTV合并到一个mask、OAR区域合并到另一个mask（这样第一个模型输入包含CT、PTV、OAR三个通道），还是将PTV和OAR区域合并到同一个mask（这样第一个模型输入包含CT、PTV与OAR合并图两个通道） 3、您在训练模型的时候，一共训练了多少个epoch？每个epoch中训练多少个数据？ 4、您在训练第一个U-NET的时候，使用的归一化方法（BN、IN、GN）是哪一个？是否使用了dropout3d层？ 5、您在训练第二个U-NET的时候，使用的归一化方法（BN、IN、GN）是哪一个？是否使用了dropout3d层？ 非常感谢您！

1. 我是分开训练的
2. 不是的，ptv和oar各自合并成一个mask，每个mask里面不同ptv或者不同oar用不同的value代表。
3. epoch数是1000，使用的数据是官方数据集的训练集
4. 我使用的都是instancenorm，因为gpu资源限制问题无法使用大batch size就使用了instancenorm

您好，我还想请教几个问题：
1、关于第二点，我想问一下关于不同OAR的value，官方数据集中一共包括'Brainstem'，'SpinalCord'，'RightParotid'，
'LeftParotid'， 'Esophagus，'Larynx'，'Mandible'七个OAR，请问这七个OAR各自的value具体都设为多少？
2、两个U-NET网络是不是均采用了dropout层？
谢谢您！

[ukaukaaaa]

您好，非常荣幸能够拜读您的文章，我有一些问题不是很明白，希望您能够解答一下：
1、第一个Global Dose Network是否有损失函数（例如MAE损失）进行监督？
2、第二个Beam-wise Dose Network的U-NET网络中输入和输出分别是几通道的，具体包含了哪些部分？
3、Lm和总损失函数L的比例是多少？
非常感谢您！

您好，感谢关注。

1. 第一个global network 是有mae loss做监督的。
2. 第二个网络中输入通道由ct, ptv, oar, beam masks, coarse dose组成，输出就是dose map。
3. 这个问题可以参考 Questions about hyper-parameters to balance the two DVH loss terms #1 。

您好，非常感谢您回答我的问题。关于第二个问题，我可能没有表达清楚，请允许我再请教一下。 您在network代码中提到Global Dose Network和Beam-wise Dose Network使用了相同的结构但是不同的输出通道，我想请教几个问题，希望您能够解答一下：
1、U-NET网络输出的是一个通道的dose map，然后和9个beam mask组成的beam masks相乘得到Predicted Beam Voters，进而和Ground-Truth Beam Voters来构建损失函数Lm？还是输出的是九个通道的dose map，然后和9个beam mask组成的beam masks相乘得到Predicted Beam Voters，进而和Ground-Truth Beam Voters来构建损失函数Lm？ 2、损失函数Lm是否参与第一部分Global Dose Network的监督与优化
再次感谢您！

1. 第二个unet输出的时候实际上是九个通道叫predicted beam voters，这时候loss分两部分，第一部分是9个predicted beam voters和ground truth beam voters 做mae loss也就是Lm，第二部分是将九个通道通过multi-beam voting重建为一个dose map 然后和ground truth dose map做loss包括了mae（Lr loss）和dvh loss。这里要注意第二个unet输出的时候一定要乘上beam mask再和ground truth beam voters做loss，因为网络预测的可能不准，并且我们只想计算beam path上的voxel difference
2. 有两种做法，一种是两个unet分开训练，训练第一个的时候就没有Lm了，就用mae和dvh loss。第二种是合起来训练，这时候第一个网络因为只输出一个dose map，所以Lm仍旧不参与训练

您好，非常抱歉再次打扰您，我有一些训练细节方面的问题想请教您： 1、您在训练的时候，采用的是两个U-NET分开训练的方法还是合起来训练的方法 2、在数据处理方面，您在文章中提到将PTV和OAR区域合并到一个mask，我想确认一下您是将PTV合并到一个mask、OAR区域合并到另一个mask（这样第一个模型输入包含CT、PTV、OAR三个通道），还是将PTV和OAR区域合并到同一个mask（这样第一个模型输入包含CT、PTV与OAR合并图两个通道） 3、您在训练模型的时候，一共训练了多少个epoch？每个epoch中训练多少个数据？ 4、您在训练第一个U-NET的时候，使用的归一化方法（BN、IN、GN）是哪一个？是否使用了dropout3d层？ 5、您在训练第二个U-NET的时候，使用的归一化方法（BN、IN、GN）是哪一个？是否使用了dropout3d层？ 非常感谢您！

1. 我是分开训练的
2. 不是的，ptv和oar各自合并成一个mask，每个mask里面不同ptv或者不同oar用不同的value代表。
3. epoch数是1000，使用的数据是官方数据集的训练集
4. 我使用的都是instancenorm，因为gpu资源限制问题无法使用大batch size就使用了instancenorm

您好，我还想请教几个问题： 1、关于第二点，我想问一下关于不同OAR的value，官方数据集中一共包括'Brainstem'，'SpinalCord'，'RightParotid'， 'LeftParotid'， 'Esophagus，'Larynx'，'Mandible'七个OAR，请问这七个OAR各自的value具体都设为多少？ 2、两个U-NET网络是不是均采用了dropout层？ 谢谢您！

1. 只要不同就行，我是直接0，1，2，3....这样，注意要归一化
2. 没用dropout

[jianglexin]

您好，非常荣幸能够拜读您的文章，我有一些问题不是很明白，希望您能够解答一下：
1、第一个Global Dose Network是否有损失函数（例如MAE损失）进行监督？
2、第二个Beam-wise Dose Network的U-NET网络中输入和输出分别是几通道的，具体包含了哪些部分？
3、Lm和总损失函数L的比例是多少？
非常感谢您！

您好，感谢关注。

1. 第一个global network 是有mae loss做监督的。
2. 第二个网络中输入通道由ct, ptv, oar, beam masks, coarse dose组成，输出就是dose map。
3. 这个问题可以参考 Questions about hyper-parameters to balance the two DVH loss terms #1 。

您好，非常感谢您回答我的问题。关于第二个问题，我可能没有表达清楚，请允许我再请教一下。 您在network代码中提到Global Dose Network和Beam-wise Dose Network使用了相同的结构但是不同的输出通道，我想请教几个问题，希望您能够解答一下：
1、U-NET网络输出的是一个通道的dose map，然后和9个beam mask组成的beam masks相乘得到Predicted Beam Voters，进而和Ground-Truth Beam Voters来构建损失函数Lm？还是输出的是九个通道的dose map，然后和9个beam mask组成的beam masks相乘得到Predicted Beam Voters，进而和Ground-Truth Beam Voters来构建损失函数Lm？ 2、损失函数Lm是否参与第一部分Global Dose Network的监督与优化
再次感谢您！

1. 第二个unet输出的时候实际上是九个通道叫predicted beam voters，这时候loss分两部分，第一部分是9个predicted beam voters和ground truth beam voters 做mae loss也就是Lm，第二部分是将九个通道通过multi-beam voting重建为一个dose map 然后和ground truth dose map做loss包括了mae（Lr loss）和dvh loss。这里要注意第二个unet输出的时候一定要乘上beam mask再和ground truth beam voters做loss，因为网络预测的可能不准，并且我们只想计算beam path上的voxel difference
2. 有两种做法，一种是两个unet分开训练，训练第一个的时候就没有Lm了，就用mae和dvh loss。第二种是合起来训练，这时候第一个网络因为只输出一个dose map，所以Lm仍旧不参与训练

您好，非常抱歉再次打扰您，我有一些训练细节方面的问题想请教您： 1、您在训练的时候，采用的是两个U-NET分开训练的方法还是合起来训练的方法 2、在数据处理方面，您在文章中提到将PTV和OAR区域合并到一个mask，我想确认一下您是将PTV合并到一个mask、OAR区域合并到另一个mask（这样第一个模型输入包含CT、PTV、OAR三个通道），还是将PTV和OAR区域合并到同一个mask（这样第一个模型输入包含CT、PTV与OAR合并图两个通道） 3、您在训练模型的时候，一共训练了多少个epoch？每个epoch中训练多少个数据？ 4、您在训练第一个U-NET的时候，使用的归一化方法（BN、IN、GN）是哪一个？是否使用了dropout3d层？ 5、您在训练第二个U-NET的时候，使用的归一化方法（BN、IN、GN）是哪一个？是否使用了dropout3d层？ 非常感谢您！

1. 我是分开训练的
2. 不是的，ptv和oar各自合并成一个mask，每个mask里面不同ptv或者不同oar用不同的value代表。
3. epoch数是1000，使用的数据是官方数据集的训练集
4. 我使用的都是instancenorm，因为gpu资源限制问题无法使用大batch size就使用了instancenorm

您好，我还想请教几个问题： 1、关于第二点，我想问一下关于不同OAR的value，官方数据集中一共包括'Brainstem'，'SpinalCord'，'RightParotid'， 'LeftParotid'， 'Esophagus，'Larynx'，'Mandible'七个OAR，请问这七个OAR各自的value具体都设为多少？ 2、两个U-NET网络是不是均采用了dropout层？ 谢谢您！

1. 只要不同就行，我是直接0，1，2，3....这样，注意要归一化
2. 没用dropout

您好，我目前正在复现您的这篇文章，因此我还想请教一些细节：
1、您第一部分网络训练完毕后训练的验证集的精度（dose score）大概能达到多少？
2、您对标签（dose）的预处理是什么？（我看C3D中对标签dose进行了除以70的预处理的操作，我想确认一下您是否也是这么做的）
3、文中提到beam masks图片是通过PTV生成的，这里的PTV指的是PTV70一张图片还是由PTV70、PTV63、PTV56合成的一张图片？
4、您在分开训练第二部分网络的时候，是否对数据使用了数据增强（随机翻转、随机旋转）？
5、您在分开训练第二部分网络的时候，第二部分网络由哪几部分损失函数（Lm和总损失函数L）参与优化?
谢谢您！

[ukaukaaaa]

您好，非常荣幸能够拜读您的文章，我有一些问题不是很明白，希望您能够解答一下：
1、第一个Global Dose Network是否有损失函数（例如MAE损失）进行监督？
2、第二个Beam-wise Dose Network的U-NET网络中输入和输出分别是几通道的，具体包含了哪些部分？
3、Lm和总损失函数L的比例是多少？
非常感谢您！

您好，感谢关注。

1. 第一个global network 是有mae loss做监督的。
2. 第二个网络中输入通道由ct, ptv, oar, beam masks, coarse dose组成，输出就是dose map。
3. 这个问题可以参考 Questions about hyper-parameters to balance the two DVH loss terms #1 。

您好，非常感谢您回答我的问题。关于第二个问题，我可能没有表达清楚，请允许我再请教一下。 您在network代码中提到Global Dose Network和Beam-wise Dose Network使用了相同的结构但是不同的输出通道，我想请教几个问题，希望您能够解答一下：
1、U-NET网络输出的是一个通道的dose map，然后和9个beam mask组成的beam masks相乘得到Predicted Beam Voters，进而和Ground-Truth Beam Voters来构建损失函数Lm？还是输出的是九个通道的dose map，然后和9个beam mask组成的beam masks相乘得到Predicted Beam Voters，进而和Ground-Truth Beam Voters来构建损失函数Lm？ 2、损失函数Lm是否参与第一部分Global Dose Network的监督与优化
再次感谢您！

1. 第二个unet输出的时候实际上是九个通道叫predicted beam voters，这时候loss分两部分，第一部分是9个predicted beam voters和ground truth beam voters 做mae loss也就是Lm，第二部分是将九个通道通过multi-beam voting重建为一个dose map 然后和ground truth dose map做loss包括了mae（Lr loss）和dvh loss。这里要注意第二个unet输出的时候一定要乘上beam mask再和ground truth beam voters做loss，因为网络预测的可能不准，并且我们只想计算beam path上的voxel difference
2. 有两种做法，一种是两个unet分开训练，训练第一个的时候就没有Lm了，就用mae和dvh loss。第二种是合起来训练，这时候第一个网络因为只输出一个dose map，所以Lm仍旧不参与训练

您好，非常抱歉再次打扰您，我有一些训练细节方面的问题想请教您： 1、您在训练的时候，采用的是两个U-NET分开训练的方法还是合起来训练的方法 2、在数据处理方面，您在文章中提到将PTV和OAR区域合并到一个mask，我想确认一下您是将PTV合并到一个mask、OAR区域合并到另一个mask（这样第一个模型输入包含CT、PTV、OAR三个通道），还是将PTV和OAR区域合并到同一个mask（这样第一个模型输入包含CT、PTV与OAR合并图两个通道） 3、您在训练模型的时候，一共训练了多少个epoch？每个epoch中训练多少个数据？ 4、您在训练第一个U-NET的时候，使用的归一化方法（BN、IN、GN）是哪一个？是否使用了dropout3d层？ 5、您在训练第二个U-NET的时候，使用的归一化方法（BN、IN、GN）是哪一个？是否使用了dropout3d层？ 非常感谢您！

1. 我是分开训练的
2. 不是的，ptv和oar各自合并成一个mask，每个mask里面不同ptv或者不同oar用不同的value代表。
3. epoch数是1000，使用的数据是官方数据集的训练集
4. 我使用的都是instancenorm，因为gpu资源限制问题无法使用大batch size就使用了instancenorm

您好，我还想请教几个问题： 1、关于第二点，我想问一下关于不同OAR的value，官方数据集中一共包括'Brainstem'，'SpinalCord'，'RightParotid'， 'LeftParotid'， 'Esophagus，'Larynx'，'Mandible'七个OAR，请问这七个OAR各自的value具体都设为多少？ 2、两个U-NET网络是不是均采用了dropout层？ 谢谢您！

1. 只要不同就行，我是直接0，1，2，3....这样，注意要归一化
2. 没用dropout

您好，我目前正在复现您的这篇文章，因此我还想请教一些细节： 1、您第一部分网络训练完毕后训练的验证集的精度（dose score）大概能达到多少？ 2、您对标签（dose）的预处理是什么？（我看C3D中对标签dose进行了除以70的预处理的操作，我想确认一下您是否也是这么做的） 3、文中提到beam masks图片是通过PTV生成的，这里的PTV指的是PTV70一张图片还是由PTV70、PTV63、PTV56合成的一张图片？ 4、您在分开训练第二部分网络的时候，是否对数据使用了数据增强（随机翻转、随机旋转）？ 5、您在分开训练第二部分网络的时候，第二部分网络由哪几部分损失函数（Lm和总损失函数L）参与优化? 谢谢您！

1. 大概比c3d差不到0.1左右
2. 我采用的是除以80，实际实验应该差别是不大的
3. 是合成的PTV
4. 第二阶段的数据增强和第一阶段是一致的
5. 损失函数就是Lm加L，文章当初这个地方没写清楚抱歉