MRI - 19 - Weer op stoom

Nu het 'appeltje' weer bij is kunnen we weer vrolijk door met wat Kaggle experimenten. In een voorbeeld oplossing met Keras wordt ook gebruik gemaakt van een de-noising routine voor afbeeldingen.  Die wil ik ook eens proberen. Ik kies ook voor de exotisch genaamde routine: denoise_tv_chambolle.

from skimage.restoration import denoise_tv_chambolle

def Denoise(ImIn):

    return denoise_tv_chambolle(ImIn, weight=0.001, multichannel=False)

Met 'weight' kan je daar instellen of het een grote, vage vlek moet worden of dat er toch nog wat details zichtbaar moeten blijven. Na wat experimenteren kies ik voor 0.001. Zo te zien hou je dan genoeg nauwkeurigheid over om 'slim' de positie van de LV te kunnen bepalen.
Het leeralgoritme blijft echter hangen in 'NaN' resultaten. Ik denk nu toch dat enkele random verschuivingen van de afbeeldingen af en toe 'lege plekken' oplevert die dan met NaN worden ingevuld. Ik vervang ze met nul en nu lijkt alles weer goed te lopen. Ook besluit ik de afbeeldingen aan te bieden inclusief de normalisatie functies. Deze halen de 'outliers' weg en schalen naar een 'zichtbare' reeks.