Turn "get_not_nans" to "Ture" does not work.

[Studentpengyu]

Dear author, I have Turned "get_not_nans" to " Ture like that:

dice_metric = DiceMetric(include_background=True, reduction='none', get_not_nans=True) dice_et, dice_et_not_nan = dice_metric(y_pred=predictions[:, 1:2, ...], y=ground_truth[:, 1:2, ...])

However, I still got the following error: "dice_et, dice_et_not_nan = dice_metric(y_pred=predictions[:, 1:2, ...], y=ground_truth[:, 1:2, ...]) ValueError: not enough values to unpack (expected 2, got 1)"

How can I fix it? Looking forward to your help! Thanks!

[Studentpengyu]

Dear author, I further revised the code as follows:

dice_metric.reset() dice_metric(y_pred=predictions[:, 1:2, ...], y=ground_truth[:, 1:2, ...]) dice_et, dice_et_not_nan = dice_metric.aggregate()

dice_metric.reset() dice_metric(y_pred=predictions[:, 2:3, ...], y=ground_truth[:, 2:3, ...]) dice_tc, dice_tc_not_nan = dice_metric.aggregate()

dice_metric.reset() dice_metric(y_pred=predictions[:, 3:4, ...], y=ground_truth[:, 3:4, ...]) dice_wt, dice_wt_not_nan = dice_metric.aggregate()

hausdorff_metric.reset() hausdorff_metric(y_pred=predictions[:, 2:3, ...], y=ground_truth[:, 2:3, ...]) hd95_tc, hd95_tc_not_nan = hausdorff_metric.aggregate()

hausdorff_metric.reset() hausdorff_metric(y_pred=predictions[:, 1:2, ...], y=ground_truth[:, 1:2, ...]) hd95_et, hd95_et_not_nan = hausdorff_metric.aggregate()

hahausdorff_metric.reset() hausdorff_metric(y_pred=predictions[:, 3:4, ...], y=ground_truth[:, 3:4, ...]) hd95_wt, hd95_wt_not_nan = hausdorff_metric.aggregate()

hahausdorff_metric.reset() hausdorff_metric(y_pred=predictions[:, 3:4, ...], y=ground_truth[:, 3:4, ...]) hd95_wt, hd95_wt_not_nan = hausdorff_metric.aggregate()

In this way, no errors were raised. However, I got NAN values in the Dice and Hausdorff distance metrics. The predictive results were like that: "Subject ['BraTS20_Training_306'], contain ET tensor(0., device='cuda:0'), predict falsely, Dice=0 Subject ['BraTS20_Training_306'], contain ET tensor(0., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_159'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_369'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_029'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_141'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_062'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_365'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_227'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_232'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_167'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_041'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_136'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_047'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_347'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_031'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_237'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_229'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_161'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_098'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13 Subject ['BraTS20_Training_195'], contain ET tensor(1., device='cuda:0'), predict falsely, HD=373.13"

There must be something wrong here. Hope you can help me! Looking forward to your reply! Thank you!

[hsiangyuzhao]

Hi @Studentpengyu , Sorry for the late reply. I suggest you modify the code like follows:

dice_et = dice_metric(y_pred=predictions[:, 1:2, ...], y=ground_truth[:, 1:2, ...])

This is because MONAI has updated for several versions, and the legacy version that suits our code style is not supported anymore. I suggest you follow the guide of latest MONAI documentary.

[GerogeD]

您好，感谢您能抽空查看我的问题，我在结合您的回答后修改了自己的代码，但是在计算Hd95_wt的值时，我所有的预测结构均为nan，大量的hd95_tc值也为nan，我不知道问题出现在哪里，能麻烦您帮我看一下吗？非常感谢

compute dice and hausdorff distance 95

                dice_et = dice_metric(y_pred=predictions[:, 1:2, ...], y=ground_truth[:, 1:2, ...])
                dice_tc = dice_metric(y_pred=predictions[:, 2:3, ...], y=ground_truth[:, 2:3, ...])
                dice_wt = dice_metric(y_pred=predictions[:, 3:4, ...], y=ground_truth[:, 3:4, ...])

                hd95_et = hausdorff_metric(y_pred=predictions[:, 1:2, ...],
                                           y=ground_truth[:, 1:2, ...])
                hd95_tc = hausdorff_metric(y_pred=predictions[:, 2:3, ...],
                                           y=ground_truth[:, 2:3, ...])
                hd95_wt = hausdorff_metric(y_pred=predictions[:, 3:4, ...],
                                           y=ground_truth[:, 3:4, ...])

                # post-process Dice and HD95 values
                # if subject has no enhancing tumor, empty prediction yields Dice of 1 and HD95 of 0
                # otherwise, false positive yields Dice of 0 and HD95 of 373.13 (worst single case)
                if dice_et.item() == 0:
                    if predictions[:, 1:2, ...].max() == 0 and ground_truth[:, 1:2, ...].max() == 0:
                        dice_et = torch.as_tensor(1)
                        print('Subject {}, contain ET {}, predict correctly, Dice=1'.format(batch_data['name'],
                                                                                            ground_truth[:,
                                                                                            1].max()))
                    else:
                        dice_et = torch.as_tensor(0)
                        print('Subject {}, contain ET {}, predict falsely, Dice=0'.format(batch_data['name'],
                                                                                          ground_truth[:, 1].max()))
                if hd95_wt.item() == 0:
                    if predictions[:, 1:2, ...].max() == 0 and ground_truth[:, 1:2, ...].max() == 0:
                        hd95_et = torch.as_tensor(0)
                        print('Subject {}, contain ET {}, predict correctly, HD=0'.format(batch_data['name'],
                                                                                          ground_truth[:, 1].max()))
                    else:
                        hd95_et = torch.as_tensor(373.13)
                        print('Subject {}, contain ET {}, predict falsely, HD=373.13'.format(batch_data['name'],
                                                                                             ground_truth[:,
                                                                                             1].max()))
                if hd95_wt.item() == np.inf:
                    hd95_et = torch.as_tensor(373.13)
                    print('Subject {}, contain ET {}, predict falsely, HD=373.13'.format(batch_data['name'],
                                                                                         ground_truth[:, 1].max()))

                et_metric = {'et_dice': dice_et.item(), 'et_hd': hd95_et.item()}
                tc_metric = {'tc_dice': dice_tc.item(), 'tc_hd': hd95_tc.item()}
                wt_metric = {'wt_dice': dice_wt.item(), 'wt_hd': hd95_wt.item()}

                avg_dice = (dice_et.item() + dice_tc.item() + dice_wt.item()) / 3
                avg_hd = (hd95_et.item() + hd95_tc.item() + hd95_wt.item()) / 3
                avg_metric = {'avg_dice': avg_dice, 'avg_hd': avg_hd}

                metric = {**et_metric, **tc_metric, **wt_metric, **avg_metric, 'name': batch_data['name']}
                metric_meter.update(metric)
                print('==============  num:%d =============' % step)
                print('dice_et:{}    dice_tc:{}   dice_wt:{}'.format(dice_et, dice_tc, dice_wt))
                print('hd95_et:{}    hd95_tc:{}   hd95_wt:{}\n\n\n'.format(hd95_et, hd95_tc, hd95_wt))
        print('=================  metric_meter   ==========================\n')
        metric_meter.report(print_stats=True)

[C-c-candy]

尊敬的作者，我进一步修改了代码如下：

dice_metric.reset（） dice_metric（y_pred=predictions[：， 1：2， ...]， y=ground_truth[：， 1：2， ...]） dice_et，dice_et_not_nan = dice_metric.aggregate（）

dice_metric.reset（） dice_metric（y_pred=predictions[：， 2：3， ...]， y=ground_truth[：， 2：3， ...]） dice_tc， dice_tc_not_nan = dice_metric.aggregate（）

dice_metric.reset（） dice_metric（y_pred=predictions[：， 3：4， ...]， y=ground_truth[：， 3：4， ...]） dice_wt， dice_wt_not_nan = dice_metric.aggregate（）

hausdorff_metric.reset（） hausdorff_metric（y_pred=predictions[：， 2：3， ...]， y=ground_truth[：， 2：3， ...]） hd95_tc， hd95_tc_not_nan = hausdorff_metric.aggregate（）

hausdorff_metric.reset（） hausdorff_metric（y_pred=predictions[：， 1：2， ...]， y=ground_truth[：， 1：2， ...]） hd95_et，hd95_et_not_nan = hausdorff_metric.aggregate（）

hahausdorff_metric.reset（） hausdorff_metric（y_pred=predictions[：， 3：4， ...]， y=ground_truth[：， 3：4， ...]） hd95_wt， hd95_wt_not_nan = hausdorff_metric.aggregate（）

hahausdorff_metric.reset（） hausdorff_metric（y_pred=predictions[：， 3：4， ...]， y=ground_truth[：， 3：4， ...]） hd95_wt， hd95_wt_not_nan = hausdorff_metric.aggregate（）

这样，就不会出现任何错误。但是，我在 Dice 和 Hausdorff 距离指标中得到了 NAN 值。预测结果是这样的：“受试者 ['BraTS20_Training_306']，包含 ET 张量（0.， device='cuda：0'），预测错误，Dice=0 受试者 ['BraTS20_Training_306']，包含 ET 张量（0.， device='cuda：0'），预测错误，HD=373.13 受试者 ['BraTS20_Training_159']，包含 ET 张量（1.， device='cuda：0'），预测错误，HD=373.13 受试者 ['BraTS20_Training_369']，包含 ET 张量（1.， device='cuda：0'），预测错误，HD=373.13 对象 ['BraTS20_Training_029']，包含 ET 张量（1.， device='cuda：0'），预测错误，HD=373.13 对象 ['BraTS20_Training_141']，包含 ET 张量（1.， device='cuda：0'），预测错误，HD=373.13 对象 ['BraTS20_Training_062']，包含 ET 张量（1.， device='cuda：0'），预测错误，HD=373.13 对象 ['BraTS20_Training_365']， 包含 ET 张量（1.， device='cuda：0'），预测错误，HD=373.13 主题 ['BraTS20_Training_227']，包含 ET 张量（1.， device='cuda：0'），预测错误，HD=373.13 主题 ['BraTS20_Training_232']，包含 ET 张量（1.， device='cuda：0'），预测错误，HD=373.13 主题 ['BraTS20_Training_167']，包含 ET 张量（1.， device='cuda：0'），预测错误，HD=373.13受试者 ['BraTS20_Training_041']， 包含 ET 张量（1.， device='cuda：0'）， 预测错误， HD=373.13 受试者 ['BraTS20_Training_136']， 包含 ET 张量（1.， device='cuda：0'）， 预测错误， HD=373.13 受试者 ['BraTS20_Training_047']， 包含 ET 张量（1.， device='cuda：0'）， 预测错误， HD=373.13 受试者 ['BraTS20_Training_347']， 包含 ET 张量（1.， device='cuda：0'）， 错误地预测，HD=373.13 对象 ['BraTS20_Training_031']，包含 ET 张量（1.， device='cuda：0'），错误预测，HD=373.13 对象 ['BraTS20_Training_237']，包含 ET 张量（1.， device='cuda：0'），错误预测，HD=373.13 对象 ['BraTS20_Training_229']，包含 ET 张量（1.， device='cuda：0'），预测错误，HD=373.13 对象 ['BraTS20_Training_161']，包含 ET 张量（1.， device='cuda：0'），预测错误，HD=373.13 对象 ['BraTS20_Training_098']，包含 ET 张量（1.，device='cuda：0'），预测错误，HD=373.13 对象 ['BraTS20_Training_195']，包含 ET 张量（1.，device='cuda：0'），预测错误，HD=373.13”

There must be something wrong here. Hope you can help me! Looking forward to your reply! Thank you!

hello!have you fixed this error now?I meet the same things with you