In [1]:
%run ./msgc_experiments_ct_init.ipynb
# the other imports are not necessary
Populating the interactive namespace from numpy and matplotlib
In [2]:
%pylab inline
import sys
import os.path as op
from pathlib import Path
import shutil
# sys.path.insert(0, "/home/mjirik/projects/pyseg_base/")
sys.path.insert(0, op.abspath("../"))
latex_dir = Path("../../papers/cmbbeiv19/tmp/")
dtt.set_output(latex_dir)
# dp_ircad_id = [1, 5, 6, 7, 11, 20]
# dp_keys = ["left_kidney"]
dp_ircad_id_key = [
# [1, "left_kidney"],
# [5, "left_kidney"],
# [6, "left_kidney"],
# [7, "left_kidney"],
# [11, "left_kidney"], # asi spatne seedy
# [20, "left_kidney"], # naposledy padlo
[1, "right_kidney"],
[5, "right_kidney"], # chyba v seedech pro ssgc
[6, "right_kidney"],
[7, "right_kidney"], # done
[11, "right_kidney"],
# [20, "right_kidney"], # does not work
]
working_voxelsize_mm = None
working_voxelsize_mm = [1.5, 1.5, 1.5]
# working_voxelsize_mm = [1.3, 1.3, 1.3]
# working_voxelsize_mm = [1.7, 1.7, 1.7]
# working_voxelsize_mm = "orig*2"
# working_voxelsize_mm=[2, 2, 2]
# working_voxelsize_mm=[2.2, 2.5, 2.5]
fname = "exp062-multiscale_delme.csv"
fnamenew = "msgc_experiment_ct.csv"
rnd_seed=1
dpi = 400
Populating the interactive namespace from numpy and matplotlib
In [ ]:
In [3]:
# dry_run = True
dry_run = False
force_rewrite = False
# force_rewrite = True
In [4]:
data_seeds_path = Path(io3d.datasets.join_path("medical", "orig", "ircad1b_seeds", get_root=True))
d01_pth = data_seeds_path / "ircadb1-01.pklz"
datap = io3d.read(d01_pth)
datap
str(d01_pth)
datap.keys()
Out[4]:
dict_keys(['series_number', 'datadir', 'voxelsize_mm', 'version', 'crinfo', 'segmentation', 'apriori', 'slab', 'orig_shape', 'vessel_tree', 'saved_seeds', 'processing_information', 'experiment_caption', 'lisa_operator_identifier', 'data3d'])
In [5]:
# io3d.write(datap, data_seeds_path / "ircad1b01.hdf5")
# io3d.read(data_seeds_path / "ircad1b01.hdf5")
In [6]:
# datap['saved_seeds']["left_kidney"]
In [7]:
# pth_data3d = Path(io3d.datasets.join_path("medical", "orig", "3Dircadb1.{}", "PATIENT_DICOM", get_root=True))
# pth_ground_true = Path(io3d.datasets.join_path("medical", "orig", "3Dircadb1.{}", "MASKS_DICOM", "{}" get_root=True))
# pth_seeds = Path(io3d.datasets.join_path("medical", "orig", "ircad1b_seeds", "ircad1b{:02d}.pklz", get_root=True))
# print(pth_data3d)
# print(pth_seeds)
In [8]:
#for par in it:
# print par
i = 0
In [9]:
if op.exists(fname) and not force_rewrite:
df = pd.read_csv(fname)#, index_col=0)
else:
df = pd.DataFrame([])
if op.exists(fnamenew) and not force_rewrite:
dfnew = pd.read_csv(fnamenew)#, index_col=0)
else:
dfnew = pd.DataFrame([])
i = int(len(dfnew) / 3)
np.random.seed(rnd_seed)
import platform
machine_hostname = platform.node()
# it = itertools.product(dp_ircad_id, dp_keys)
# it = itertools.product(dp_ircad_id_key)
it = dp_ircad_id_key
for data_params in it:
# dp_ircad_id = [1, 10, 11]
# dp_keys = ["left_kidney"]
start = time.time()
img, true_seg, seeds, voxelsize_mm, orig_vs_mm = prepare_data(data_params[0], data_params[1])
vxmm = voxelsize_mm
fn_dbg_prefix = "{}_{}".format(data_params[0], data_params[1])
stats0, seg0 = run_gc_with_defined_setup(
img, segparams0, seeds, true_seg, vxmm, dry_run=dry_run, fn_debug_prefix=fn_dbg_prefix)
stats1, seg1 = run_gc_with_defined_setup(
img, segparams1, seeds, true_seg, vxmm, dry_run=dry_run, fn_debug_prefix=fn_dbg_prefix, true_seg2=seg0)
stats2, seg2 = run_gc_with_defined_setup(
img, segparams2, seeds, true_seg, vxmm, dry_run=dry_run, fn_debug_prefix=fn_dbg_prefix, true_seg2=seg0)
data_params_dict = dict(zip(["data id", "data organ key"], data_params))
# stats = merge_stats(stats0, stats1, stats2, labels)
# stats = add_data_and_algoritm_info(stats, data_params_dict, segparams0, start, seg, voxelsize_mm)
# dfi = pd.DataFrame(stats, index=[i])
# # display(df)
# df = df.append(dfi, sort=True)
# df.to_csv(fname, index=False)
dfinew = add_data_seaborn(stats0, data_params_dict, segparams0, start, i, labels[0], true_seg, voxelsize_mm, orig_vs_mm)
dfnew = dfnew.append(dfinew, sort=True)
dfinew = add_data_seaborn(stats1, data_params_dict, segparams1, start, i, labels[1], true_seg, voxelsize_mm, orig_vs_mm)
dfnew = dfnew.append(dfinew, sort=True)
dfinew = add_data_seaborn(stats2, data_params_dict, segparams2, start, i, labels[2], true_seg, voxelsize_mm, orig_vs_mm)
dfnew = dfnew.append(dfinew, sort=True)
dfnew.to_csv(fnamenew, index=False)
i += 1
# plt.figure(figsize=[10,15])
# sed3.show_slices(img, contour=sg1, seeds=seeds, slice_step=10)
# plt.figure(figsize=[10,15])
# sed3.show_slices(img, contour=sg2, seeds=seeds, slice_step=10)
Unable to read dicom file dicomdir.pkl
File is missing DICOM File Meta Information header or the 'DICM' prefix is missing from the header. Use force=True to force reading.
C:\Users\Jirik\data\medical\orig\3Dircadb1.1\PATIENT_DICOM
C:\Users\Jirik\data\medical\orig\3Dircadb1.1\MASKS_DICOM\rightkidney
C:\Users\Jirik\data\medical\orig\ircad1b_seeds\ircadb1-01.pklz
Unable to read dicom file dicomdir.pkl
File is missing DICOM File Meta Information header or the 'DICM' prefix is missing from the header. Use force=True to force reading.
segparams: {'method': 'graphcut', 'pairwise_alpha': 13.333333333333334, 'use_boundary_penalties': True, 'boundary_penalties_sigma': 200, 'boundary_penalties_weight': 1, 'return_only_object_with_seeds': True, 'use_old_similarity': True, 'use_extra_features_for_training': False, 'use_apriori_if_available': True, 'apriori_gamma': 0.1, 'boundary_dilatation_distance': 2, 'block_size': 10, 'tile_zoom_constant': 1, 'pairwise_alpha_per_square_unit': 45}
modelparams: {'type': 'gmmsame', 'params': {'covariance_type': 'full'}, 'fv_type': 'intensity'}
unique true seg: [ 0 255], unique sg1: [0 1]
segparams: {'boundary_dilatation_distance': 2, 'block_size': 10, 'use_boundary_penalties': True, 'boundary_penalties_weight': 1, 'tile_zoom_constant': 1, 'method': 'multiscale_graphcut_hi2lo', 'pairwise_alpha': 13.333333333333334, 'boundary_penalties_sigma': 200, 'return_only_object_with_seeds': True, 'use_old_similarity': True, 'use_extra_features_for_training': False, 'use_apriori_if_available': True, 'apriori_gamma': 0.1, 'pairwise_alpha_per_square_unit': 45}
modelparams: {'type': 'gmmsame', 'params': {'covariance_type': 'full'}, 'fv_type': 'intensity'}
unique true seg: [ 0 255], unique sg1: [0 1]
segparams: {'boundary_dilatation_distance': 2, 'block_size': 10, 'use_boundary_penalties': True, 'boundary_penalties_weight': 1, 'tile_zoom_constant': 1, 'method': 'multiscale_graphcut_lo2hi', 'pairwise_alpha': 13.333333333333334, 'boundary_penalties_sigma': 200, 'return_only_object_with_seeds': True, 'use_old_similarity': True, 'use_extra_features_for_training': False, 'use_apriori_if_available': True, 'apriori_gamma': 0.1, 'pairwise_alpha_per_square_unit': 45}
modelparams: {'type': 'gmmsame', 'params': {'covariance_type': 'full'}, 'fv_type': 'intensity'}
unique true seg: [ 0 255], unique sg1: [0 1]
Unable to read dicom file dicomdir.pkl
File is missing DICOM File Meta Information header or the 'DICM' prefix is missing from the header. Use force=True to force reading.
C:\Users\Jirik\data\medical\orig\3Dircadb1.5\PATIENT_DICOM
C:\Users\Jirik\data\medical\orig\3Dircadb1.5\MASKS_DICOM\rightkidney
C:\Users\Jirik\data\medical\orig\ircad1b_seeds\ircadb1-05.pklz
Unable to read dicom file dicomdir.pkl
File is missing DICOM File Meta Information header or the 'DICM' prefix is missing from the header. Use force=True to force reading.
segparams: {'method': 'graphcut', 'pairwise_alpha': 13.333333333333334, 'use_boundary_penalties': True, 'boundary_penalties_sigma': 200, 'boundary_penalties_weight': 1, 'return_only_object_with_seeds': True, 'use_old_similarity': True, 'use_extra_features_for_training': False, 'use_apriori_if_available': True, 'apriori_gamma': 0.1, 'boundary_dilatation_distance': 2, 'block_size': 10, 'tile_zoom_constant': 1, 'pairwise_alpha_per_square_unit': 45}
modelparams: {'type': 'gmmsame', 'params': {'covariance_type': 'full'}, 'fv_type': 'intensity'}
unique true seg: [ 0 255], unique sg1: [0 1]
C:\Users\Jirik\Miniconda3\envs\lisa\lib\site-packages\scipy\ndimage\interpolation.py:583: UserWarning: From scipy 0.13.0, the output shape of zoom() is calculated with round() instead of int() - for these inputs the size of the returned array has changed.
"the returned array has changed.", UserWarning)
segparams: {'boundary_dilatation_distance': 2, 'block_size': 10, 'use_boundary_penalties': True, 'boundary_penalties_weight': 1, 'tile_zoom_constant': 1, 'method': 'multiscale_graphcut_hi2lo', 'pairwise_alpha': 13.333333333333334, 'boundary_penalties_sigma': 200, 'return_only_object_with_seeds': True, 'use_old_similarity': True, 'use_extra_features_for_training': False, 'use_apriori_if_available': True, 'apriori_gamma': 0.1, 'pairwise_alpha_per_square_unit': 45}
modelparams: {'type': 'gmmsame', 'params': {'covariance_type': 'full'}, 'fv_type': 'intensity'}
unique true seg: [ 0 255], unique sg1: [0 1]
segparams: {'boundary_dilatation_distance': 2, 'block_size': 10, 'use_boundary_penalties': True, 'boundary_penalties_weight': 1, 'tile_zoom_constant': 1, 'method': 'multiscale_graphcut_lo2hi', 'pairwise_alpha': 13.333333333333334, 'boundary_penalties_sigma': 200, 'return_only_object_with_seeds': True, 'use_old_similarity': True, 'use_extra_features_for_training': False, 'use_apriori_if_available': True, 'apriori_gamma': 0.1, 'pairwise_alpha_per_square_unit': 45}
modelparams: {'type': 'gmmsame', 'params': {'covariance_type': 'full'}, 'fv_type': 'intensity'}
unique true seg: [ 0 255], unique sg1: [0 1]
Unable to read dicom file dicomdir.pkl
File is missing DICOM File Meta Information header or the 'DICM' prefix is missing from the header. Use force=True to force reading.
C:\Users\Jirik\data\medical\orig\3Dircadb1.6\PATIENT_DICOM
C:\Users\Jirik\data\medical\orig\3Dircadb1.6\MASKS_DICOM\rightkidney
C:\Users\Jirik\data\medical\orig\ircad1b_seeds\ircadb1-06.pklz
Unable to read dicom file dicomdir.pkl
File is missing DICOM File Meta Information header or the 'DICM' prefix is missing from the header. Use force=True to force reading.
segparams: {'method': 'graphcut', 'pairwise_alpha': 13.333333333333334, 'use_boundary_penalties': True, 'boundary_penalties_sigma': 200, 'boundary_penalties_weight': 1, 'return_only_object_with_seeds': True, 'use_old_similarity': True, 'use_extra_features_for_training': False, 'use_apriori_if_available': True, 'apriori_gamma': 0.1, 'boundary_dilatation_distance': 2, 'block_size': 10, 'tile_zoom_constant': 1, 'pairwise_alpha_per_square_unit': 45}
modelparams: {'type': 'gmmsame', 'params': {'covariance_type': 'full'}, 'fv_type': 'intensity'}
unique true seg: [ 0 255], unique sg1: [0 1]
segparams: {'boundary_dilatation_distance': 2, 'block_size': 10, 'use_boundary_penalties': True, 'boundary_penalties_weight': 1, 'tile_zoom_constant': 1, 'method': 'multiscale_graphcut_hi2lo', 'pairwise_alpha': 13.333333333333334, 'boundary_penalties_sigma': 200, 'return_only_object_with_seeds': True, 'use_old_similarity': True, 'use_extra_features_for_training': False, 'use_apriori_if_available': True, 'apriori_gamma': 0.1, 'pairwise_alpha_per_square_unit': 45}
modelparams: {'type': 'gmmsame', 'params': {'covariance_type': 'full'}, 'fv_type': 'intensity'}
unique true seg: [ 0 255], unique sg1: [0 1]
segparams: {'boundary_dilatation_distance': 2, 'block_size': 10, 'use_boundary_penalties': True, 'boundary_penalties_weight': 1, 'tile_zoom_constant': 1, 'method': 'multiscale_graphcut_lo2hi', 'pairwise_alpha': 13.333333333333334, 'boundary_penalties_sigma': 200, 'return_only_object_with_seeds': True, 'use_old_similarity': True, 'use_extra_features_for_training': False, 'use_apriori_if_available': True, 'apriori_gamma': 0.1, 'pairwise_alpha_per_square_unit': 45}
modelparams: {'type': 'gmmsame', 'params': {'covariance_type': 'full'}, 'fv_type': 'intensity'}
unique true seg: [ 0 255], unique sg1: [0 1]
Unable to read dicom file dicomdir.pkl
File is missing DICOM File Meta Information header or the 'DICM' prefix is missing from the header. Use force=True to force reading.
C:\Users\Jirik\data\medical\orig\3Dircadb1.7\PATIENT_DICOM
C:\Users\Jirik\data\medical\orig\3Dircadb1.7\MASKS_DICOM\rightkidney
C:\Users\Jirik\data\medical\orig\ircad1b_seeds\ircadb1-07.pklz
Unable to read dicom file dicomdir.pkl
File is missing DICOM File Meta Information header or the 'DICM' prefix is missing from the header. Use force=True to force reading.
segparams: {'method': 'graphcut', 'pairwise_alpha': 13.333333333333334, 'use_boundary_penalties': True, 'boundary_penalties_sigma': 200, 'boundary_penalties_weight': 1, 'return_only_object_with_seeds': True, 'use_old_similarity': True, 'use_extra_features_for_training': False, 'use_apriori_if_available': True, 'apriori_gamma': 0.1, 'boundary_dilatation_distance': 2, 'block_size': 10, 'tile_zoom_constant': 1, 'pairwise_alpha_per_square_unit': 45}
modelparams: {'type': 'gmmsame', 'params': {'covariance_type': 'full'}, 'fv_type': 'intensity'}
unique true seg: [ 0 255], unique sg1: [0 1]
segparams: {'boundary_dilatation_distance': 2, 'block_size': 10, 'use_boundary_penalties': True, 'boundary_penalties_weight': 1, 'tile_zoom_constant': 1, 'method': 'multiscale_graphcut_hi2lo', 'pairwise_alpha': 13.333333333333334, 'boundary_penalties_sigma': 200, 'return_only_object_with_seeds': True, 'use_old_similarity': True, 'use_extra_features_for_training': False, 'use_apriori_if_available': True, 'apriori_gamma': 0.1, 'pairwise_alpha_per_square_unit': 45}
modelparams: {'type': 'gmmsame', 'params': {'covariance_type': 'full'}, 'fv_type': 'intensity'}
unique true seg: [ 0 255], unique sg1: [0 1]
segparams: {'boundary_dilatation_distance': 2, 'block_size': 10, 'use_boundary_penalties': True, 'boundary_penalties_weight': 1, 'tile_zoom_constant': 1, 'method': 'multiscale_graphcut_lo2hi', 'pairwise_alpha': 13.333333333333334, 'boundary_penalties_sigma': 200, 'return_only_object_with_seeds': True, 'use_old_similarity': True, 'use_extra_features_for_training': False, 'use_apriori_if_available': True, 'apriori_gamma': 0.1, 'pairwise_alpha_per_square_unit': 45}
modelparams: {'type': 'gmmsame', 'params': {'covariance_type': 'full'}, 'fv_type': 'intensity'}
unique true seg: [ 0 255], unique sg1: [0 1]
Unable to read dicom file dicomdir.pkl
File is missing DICOM File Meta Information header or the 'DICM' prefix is missing from the header. Use force=True to force reading.
C:\Users\Jirik\data\medical\orig\3Dircadb1.11\PATIENT_DICOM
C:\Users\Jirik\data\medical\orig\3Dircadb1.11\MASKS_DICOM\rightkidney
C:\Users\Jirik\data\medical\orig\ircad1b_seeds\ircadb1-11.pklz
Unable to read dicom file dicomdir.pkl
File is missing DICOM File Meta Information header or the 'DICM' prefix is missing from the header. Use force=True to force reading.
segparams: {'method': 'graphcut', 'pairwise_alpha': 13.333333333333334, 'use_boundary_penalties': True, 'boundary_penalties_sigma': 200, 'boundary_penalties_weight': 1, 'return_only_object_with_seeds': True, 'use_old_similarity': True, 'use_extra_features_for_training': False, 'use_apriori_if_available': True, 'apriori_gamma': 0.1, 'boundary_dilatation_distance': 2, 'block_size': 10, 'tile_zoom_constant': 1, 'pairwise_alpha_per_square_unit': 45}
modelparams: {'type': 'gmmsame', 'params': {'covariance_type': 'full'}, 'fv_type': 'intensity'}
unique true seg: [ 0 255], unique sg1: [0 1]
segparams: {'boundary_dilatation_distance': 2, 'block_size': 10, 'use_boundary_penalties': True, 'boundary_penalties_weight': 1, 'tile_zoom_constant': 1, 'method': 'multiscale_graphcut_hi2lo', 'pairwise_alpha': 13.333333333333334, 'boundary_penalties_sigma': 200, 'return_only_object_with_seeds': True, 'use_old_similarity': True, 'use_extra_features_for_training': False, 'use_apriori_if_available': True, 'apriori_gamma': 0.1, 'pairwise_alpha_per_square_unit': 45}
modelparams: {'type': 'gmmsame', 'params': {'covariance_type': 'full'}, 'fv_type': 'intensity'}
unique true seg: [ 0 255], unique sg1: [0 1]
segparams: {'boundary_dilatation_distance': 2, 'block_size': 10, 'use_boundary_penalties': True, 'boundary_penalties_weight': 1, 'tile_zoom_constant': 1, 'method': 'multiscale_graphcut_lo2hi', 'pairwise_alpha': 13.333333333333334, 'boundary_penalties_sigma': 200, 'return_only_object_with_seeds': True, 'use_old_similarity': True, 'use_extra_features_for_training': False, 'use_apriori_if_available': True, 'apriori_gamma': 0.1, 'pairwise_alpha_per_square_unit': 45}
modelparams: {'type': 'gmmsame', 'params': {'covariance_type': 'full'}, 'fv_type': 'intensity'}
unique true seg: [ 0 255], unique sg1: [0 1]
In [10]:
stats0
Out[10]:
{'tlinks shape': [(8532756, 2)],
'nlinks shape': [(25468380, 3)],
'_create_nlinks time': 4.851342439651489,
'gc time': 40.20048213005066,
'time': 48.61592483520508,
'error': 4885,
'data segmentation size px': 37457,
'data size px': 8532756,
'volume1_mm3': 126417.375,
'volume2_mm3': 142789.5,
'err1_mm3': 57.375,
'err2_mm3': 16429.5,
'err1_percent': 0.042625211558954428,
'err2_percent': 12.205854698175891,
'vd': 12.950850308353578,
'voe': 11.541642055522738,
'avgd': 0.85724955302278727,
'rmsd': 3.7308913206916716,
'maxd': 12.278029157808675,
'dice': 0.061242399548674276,
'jaccard': 0.88458357944477262}
In [11]:
label = labels[0]
stats = process_gc_stats(stats0, "")
stats = add_data_and_algoritm_info(stats, data_params_dict, segparams0, start, true_seg, voxelsize_mm, orig_vs_mm)
stats["method"] = label
In [12]:
stats
Out[12]:
{'_create_nlinks time': 4.851342439651489,
'gc time': 40.20048213005066,
'time': 48.61592483520508,
'error': 4885,
'data segmentation size px': 37457,
'data size px': 8532756,
'volume1_mm3': 126417.375,
'volume2_mm3': 142789.5,
'err1_mm3': 57.375,
'err2_mm3': 16429.5,
'err1_percent': 0.042625211558954428,
'err2_percent': 12.205854698175891,
'vd': 12.950850308353578,
'voe': 11.541642055522738,
'avgd': 0.85724955302278727,
'rmsd': 3.7308913206916716,
'maxd': 12.278029157808675,
'dice': 0.061242399548674276,
'jaccard': 0.88458357944477262,
'nlinks number': 25468380,
'tlinks number': 8532756,
'edge number': 34001136,
'data id': 11,
'data organ key': 'right_kidney',
'data size 0': 141,
'data size 1': 246,
'data size 2': 246,
'data target size px': 42308,
'data voxesize mm^3': 3.375,
'data voxesize mm 0': 1.5,
'data voxesize mm 1': 1.5,
'data voxesize mm 2': 1.5,
'data orig voxesize mm 0': 1.600000023841858,
'data orig voxesize mm 1': 0.720000028610229,
'data orig voxesize mm 2': 0.720000028610229,
'block size': 10,
'machine hostname': 'genomnote4',
'experiment iteration start time': 1559480329.1918092,
'method': 'ssgc '}
In [13]:
data_params
Out[13]:
[11, 'right_kidney']
In [14]:
dfinew = pd.DataFrame(stats, index=[i*3 + 0])
In [15]:
len(dfnew) / 3
Out[15]:
10.0
In [16]:
it = itertools.product(dp_ircad_id_key)
list(it)
Out[16]:
[([1, 'right_kidney'],),
([5, 'right_kidney'],),
([6, 'right_kidney'],),
([7, 'right_kidney'],),
([11, 'right_kidney'],)]
In [17]:
np.unique(seeds)
Out[17]:
array([0, 1, 2], dtype=uint8)
In [18]:
i
Out[18]:
10
In [19]:
# export all to latex
dtt.save(dfnew, "raw_table")
Out[19]:
'\\begin{tabular}{rrrrlrrrrrrrrrrrrrrrrrrrrrrrrrrrlrlrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrr}\n\\toprule\n \\_create\\_nlinks time & avgd & block size & data id & data organ key & data orig voxesize mm 0 & data orig voxesize mm 1 & data orig voxesize mm 2 & data segmentation size px & data size 0 & data size 1 & data size 2 & data size px & data target size px & data voxesize mm 0 & data voxesize mm 1 & data voxesize mm 2 & data voxesize mm\\textasciicircum 3 & dice & dice gc & edge number & err1\\_mm3 & err1\\_percent & err2\\_mm3 & err2\\_percent & error & experiment iteration start time & gc time & jaccard & jaccard gc & low level image voxels & low level object voxels & machine hostname & maxd & method & nlinks number & rmsd & t graph 01 & t graph 10 & t graph 11 & t graph 13 & t graph 14 & t graph high & t graph low & t split 01 & t split 02 & t split 03 & t split 04 & t split 05 & t split 06 & t split 07 & t split 08 & t split 081 & t split 082 & t split 0821 & t split 09 & t split 10 & t1 & t10 & t2 & t3 & t3.1 & t3.2 & t3.3 & t4 & t5 & t6 & t7 & t8 & t9 & time & tlinks number & vd & voe & voe gc & volume1\\_mm3 & volume2\\_mm3 \\\\\n\\midrule\n 2.698244 & 2.307930 & 10 & 1 & left\\_kidney & 1.6 & 0.570 & 0.570 & 29609 & 138 & 195 & 195 & 5247450 & 43413 & 1.5 & 1.5 & 1.5 & 3.375 & 0.189094 & NaN & 20897955 & 6.750 & 0.005478 & 46595.250 & 37.813262 & 13808 & 1.559472e+09 & 24.595996 & 0.681953 & NaN & NaN & NaN & genomnote4 & 13.747727 & ssgc & 15650505 & 10.266311 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 29.749289 & 5247450 & 46.620960 & 31.804676 & NaN & 99930.375 & 146518.875 \\\\\n 1.175025 & 1.854668 & 10 & 1 & left\\_kidney & 1.6 & 0.570 & 0.570 & 30919 & 138 & 195 & 195 & 5247450 & 43413 & 1.5 & 1.5 & 1.5 & 3.375 & 0.168084 & 0.049993 & 3028263 & 0.000 & 0.000000 & 42167.250 & 33.616746 & 12494 & 1.559472e+09 & 3.133238 & 0.712206 & 0.904774 & 5600.0 & 20.0 & genomnote4 & 12.903488 & msgc\\_hi2lo & 2276742 & 7.849113 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 0.003505 & 24.027027 & 0.155903 & 0.162351 & NaN & NaN & NaN & 1.088386 & 2.307553 & 6.804336 & 9.119133 & 20.867005 & 20.893789 & 24.819139 & 751521 & 40.408810 & 28.779398 & 9.522611 & 104351.625 & 146518.875 \\\\\n 0.002976 & 1.854668 & 10 & 1 & left\\_kidney & 1.6 & 0.570 & 0.570 & 30919 & 138 & 195 & 195 & 5247450 & 43413 & 1.5 & 1.5 & 1.5 & 3.375 & 0.168084 & 0.049993 & 3044650 & 0.000 & 0.000000 & 42167.250 & 33.616746 & 12494 & 1.559472e+09 & 2.818764 & 0.712206 & 0.904774 & 5600.0 & 22.0 & genomnote4 & 12.903488 & msgc\\_lo2hi & 2289195 & 7.849113 & 0.050593 & 0.052577 & 0.054065 & 26.574730 & 26.740391 & 26.437762 & 0.075953 & 0.000496 & 0.015341 & 0.022252 & 0.051051 & 0.054026 & 0.108993 & 0.167053 & 9.667482 & 0.0 & 0.0 & 0.0 & 17.461370 & 25.424738 & 0.030713 & 32.303499 & 0.168642 & 0.171081 & 0.171081 & 0.226632 & 26.914447 & 26.914447 & 29.034354 & 29.437603 & 29.437603 & NaN & 29.484735 & 32.944820 & 755455 & 40.408810 & 28.779398 & 9.522611 & 104351.625 & 146518.875 \\\\\n 7.767864 & 2.991992 & 10 & 5 & left\\_kidney & 1.6 & 0.782 & 0.782 & 43498 & 149 & 267 & 267 & 10622061 & 64610 & 1.5 & 1.5 & 1.5 & 3.375 & 0.195767 & NaN & 42337389 & 87.750 & 0.048100 & 71340.750 & 39.105339 & 21164 & 1.559472e+09 & 76.445437 & 0.672566 & NaN & NaN & NaN & genomnote4 & 15.945219 & ssgc & 31715328 & 17.703387 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 88.737358 & 10622061 & 48.535565 & 32.743363 & NaN & 146805.750 & 218058.750 \\\\\n 2.395186 & 2.365609 & 10 & 5 & left\\_kidney & 1.6 & 0.782 & 0.782 & 45322 & 149 & 267 & 267 & 10622061 & 64610 & 1.5 & 1.5 & 1.5 & 3.375 & 0.175490 & 0.049403 & 3625628 & 6.750 & 0.003639 & 65103.750 & 35.094422 & 19292 & 1.559472e+09 & 3.543429 & 0.701418 & 0.905845 & 10935.0 & 26.0 & genomnote4 & 15.945219 & msgc\\_hi2lo & 2725151 & 14.004058 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 0.000000 & 46.573639 & 0.292111 & 0.297567 & NaN & NaN & NaN & 2.115412 & 4.594917 & 13.907826 & 16.114039 & 42.984083 & 43.030210 & 47.859365 & 900477 & 42.557698 & 29.858231 & 9.415501 & 152961.750 & 218058.750 \\\\\n 0.004464 & 2.365609 & 10 & 5 & left\\_kidney & 1.6 & 0.782 & 0.782 & 45322 & 149 & 267 & 267 & 10622061 & 64610 & 1.5 & 1.5 & 1.5 & 3.375 & 0.175490 & 0.049403 & 3303540 & 6.750 & 0.003639 & 65103.750 & 35.094422 & 19292 & 1.559472e+09 & 2.480003 & 0.701418 & 0.905845 & 10935.0 & 23.0 & genomnote4 & 15.945219 & msgc\\_lo2hi & 2483469 & 14.004058 & 0.036209 & 0.038688 & 0.039185 & 22.692034 & 22.855217 & 22.512997 & 0.131935 & 0.001033 & 0.005995 & 0.008972 & 0.045053 & 0.047529 & 0.095994 & 0.143079 & 8.737543 & 0.0 & 0.0 & 0.0 & 15.207744 & 21.603584 & 0.054573 & 29.844826 & 0.322367 & 0.326335 & 0.326335 & 0.365520 & 23.182048 & 23.182048 & 26.482437 & 27.293401 & 27.293401 & NaN & 27.364824 & 31.108671 & 820071 & 42.557698 & 29.858231 & 9.415501 & 152961.750 & 218058.750 \\\\\n 5.688588 & 2.328424 & 10 & 6 & left\\_kidney & 1.6 & 0.782 & 0.782 & 34940 & 145 & 267 & 267 & 10336905 & 51083 & 1.5 & 1.5 & 1.5 & 3.375 & 0.188147 & NaN & 41198901 & 70.875 & 0.048824 & 54553.500 & 37.580647 & 16185 & 1.559472e+09 & 66.998272 & 0.683293 & NaN & NaN & NaN & genomnote4 & 14.849242 & ssgc & 30861996 & 10.866419 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 76.799777 & 10336905 & 46.202061 & 31.670711 & NaN & 117922.500 & 172405.125 \\\\\n 2.247424 & 2.148353 & 10 & 6 & left\\_kidney & 1.6 & 0.782 & 0.782 & 35797 & 145 & 267 & 267 & 10336905 & 51083 & 1.5 & 1.5 & 1.5 & 3.375 & 0.186786 & 0.050935 & 2803711 & 1589.625 & 1.084254 & 53179.875 & 36.273020 & 16228 & 1.559472e+09 & 2.467602 & 0.685223 & 0.903067 & 10935.0 & 15.0 & genomnote4 & 14.150972 & msgc\\_hi2lo & 2108208 & 9.601575 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 0.000000 & 39.835305 & 0.271807 & 0.276767 & NaN & NaN & NaN & 2.090146 & 4.410438 & 12.925779 & 14.639501 & 37.323557 & 37.367703 & 41.044385 & 695503 & 42.701902 & 31.477674 & 9.693301 & 120814.875 & 172405.125 \\\\\n 0.004960 & 2.080235 & 10 & 6 & left\\_kidney & 1.6 & 0.782 & 0.782 & 35521 & 145 & 267 & 267 & 10336905 & 51083 & 1.5 & 1.5 & 1.5 & 3.375 & 0.179715 & 0.037084 & 3434220 & 3.375 & 0.002309 & 52525.125 & 35.940603 & 15564 & 1.559472e+09 & 2.147149 & 0.695325 & 0.928483 & 10935.0 & 28.0 & genomnote4 & 14.150972 & msgc\\_lo2hi & 2581182 & 9.048897 & 0.041167 & 0.043151 & 0.043648 & 22.105303 & 22.265472 & 21.942726 & 0.113543 & 0.000497 & 0.002978 & 0.004962 & 0.031708 & 0.035184 & 0.085961 & 0.128602 & 8.474447 & 0.0 & 0.0 & 0.0 & 14.804888 & 21.041697 & 0.057049 & 28.461488 & 0.324359 & 0.328865 & 0.328865 & 0.372965 & 22.595287 & 22.595287 & 25.714675 & 26.269165 & 26.269165 & NaN & 26.314338 & 29.693601 & 853038 & 43.810704 & 30.467465 & 7.151654 & 119883.375 & 172405.125 \\\\\n 6.541257 & 1.265068 & 10 & 7 & left\\_kidney & 1.6 & 0.782 & 0.782 & 36568 & 162 & 267 & 267 & 11548818 & 44346 & 1.5 & 1.5 & 1.5 & 3.375 & 0.101812 & NaN & 46037475 & 776.250 & 0.568505 & 27027.000 & 19.793855 & 8238 & 1.559472e+09 & 88.094727 & 0.815192 & NaN & NaN & NaN & genomnote4 & 13.500000 & ssgc & 34488657 & 5.571671 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 100.232490 & 11548818 & 21.269963 & 18.480797 & NaN & 123417.000 & 149667.750 \\\\\n 2.821748 & 1.067025 & 10 & 7 & left\\_kidney & 1.6 & 0.782 & 0.782 & 36921 & 162 & 267 & 267 & 11548818 & 44346 & 1.5 & 1.5 & 1.5 & 3.375 & 0.095475 & 0.018765 & 3516881 & 563.625 & 0.410991 & 25623.000 & 18.684091 & 7759 & 1.559472e+09 & 3.393141 & 0.825691 & 0.963162 & 12393.0 & 30.0 & genomnote4 & 13.500000 & msgc\\_hi2lo & 2642738 & 4.551632 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 0.000496 & 48.637643 & 0.341830 & 0.346294 & NaN & NaN & NaN & 2.509353 & 5.415919 & 15.869628 & 18.093199 & 45.195398 & 45.244502 & 50.101531 & 874143 & 20.110506 & 17.430863 & 3.683817 & 124608.375 & 149667.750 \\\\\n 0.004464 & 1.067025 & 10 & 7 & left\\_kidney & 1.6 & 0.782 & 0.782 & 36921 & 162 & 267 & 267 & 11548818 & 44346 & 1.5 & 1.5 & 1.5 & 3.375 & 0.095475 & 0.018765 & 3079521 & 563.625 & 0.410991 & 25623.000 & 18.684091 & 7759 & 1.559472e+09 & 2.023156 & 0.825691 & 0.963162 & 12393.0 & 23.0 & genomnote4 & 13.500000 & msgc\\_lo2hi & 2315475 & 4.551632 & 0.035216 & 0.037200 & 0.037696 & 20.085551 & 20.253198 & 19.899964 & 0.141370 & 0.000499 & 0.003420 & 0.006396 & 0.033201 & 0.034685 & 0.082104 & 0.127890 & 7.599319 & 0.0 & 0.0 & 0.0 & 13.413309 & 19.069011 & 0.071922 & 27.931289 & 0.381424 & 0.385392 & 0.385392 & 0.423584 & 20.639582 & 20.639582 & 25.057461 & 25.861524 & 25.861524 & NaN & 25.908133 & 29.516011 & 764046 & 20.110506 & 17.430863 & 3.683817 & 124608.375 & 149667.750 \\\\\n 4.539396 & 1.309515 & 10 & 11 & left\\_kidney & 1.6 & 0.720 & 0.720 & 35999 & 141 & 246 & 246 & 8532756 & 41827 & 1.5 & 1.5 & 1.5 & 3.375 & 0.074936 & NaN & 34001136 & 6.750 & 0.005140 & 19676.250 & 14.982140 & 5832 & 1.559472e+09 & 55.125268 & 0.860575 & NaN & NaN & NaN & genomnote4 & 12.278029 & ssgc & 25468380 & 5.685151 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 63.353954 & 8532756 & 16.189339 & 13.942480 & NaN & 121496.625 & 141166.125 \\\\\n 2.297475 & 0.831098 & 10 & 11 & left\\_kidney & 1.6 & 0.720 & 0.720 & 36446 & 141 & 246 & 246 & 8532756 & 41827 & 1.5 & 1.5 & 1.5 & 3.375 & 0.068747 & 0.018814 & 3139878 & 0.000 & 0.000000 & 18160.875 & 13.749313 & 5381 & 1.559472e+09 & 4.736311 & 0.871351 & 0.963066 & 9375.0 & 31.0 & genomnote4 & 12.278029 & msgc\\_hi2lo & 2359381 & 2.761898 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 0.000496 & 42.193967 & 0.273791 & 0.278255 & NaN & NaN & NaN & 2.210219 & 4.594991 & 12.432794 & 14.799351 & 37.410041 & 37.457656 & 43.754883 & 780497 & 14.764309 & 12.864896 & 3.693367 & 123005.250 & 141166.125 \\\\\n 0.003968 & 0.831098 & 10 & 11 & left\\_kidney & 1.6 & 0.720 & 0.720 & 36446 & 141 & 246 & 246 & 8532756 & 41827 & 1.5 & 1.5 & 1.5 & 3.375 & 0.068747 & 0.018814 & 2704543 & 0.000 & 0.000000 & 18160.875 & 13.749313 & 5381 & 1.559472e+09 & 1.656101 & 0.871351 & 0.963066 & 9375.0 & 18.0 & genomnote4 & 12.278029 & msgc\\_lo2hi & 2032447 & 2.761898 & 0.031248 & 0.032737 & 0.033232 & 14.356787 & 14.488183 & 14.222773 & 0.098302 & 0.000000 & 0.003479 & 0.007394 & 0.032570 & 0.034060 & 0.069767 & 0.104836 & 5.530194 & 0.0 & 0.0 & 0.0 & 9.644727 & 13.648823 & 0.052078 & 19.972957 & 0.304047 & 0.307518 & 0.307518 & 0.354144 & 14.809590 & 14.809590 & 17.804440 & 18.282587 & 18.282587 & NaN & 18.316856 & 21.022991 & 672096 & 14.764309 & 12.864896 & 3.693367 & 123005.250 & 141166.125 \\\\\n 2.849182 & 1.992085 & 10 & 1 & right\\_kidney & 1.6 & 0.570 & 0.570 & 24903 & 138 & 195 & 195 & 5247450 & 33524 & 1.5 & 1.5 & 1.5 & 3.375 & 0.148099 & NaN & 20897955 & 54.000 & 0.054769 & 29149.875 & 29.565098 & 8653 & 1.559480e+09 & 20.172845 & 0.742010 & NaN & NaN & NaN & genomnote4 & 15.000000 & ssgc & 15650505 & 9.970021 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 25.579485 & 5247450 & 34.618319 & 25.799046 & NaN & 84047.625 & 113143.500 \\\\\n 1.098147 & 1.626563 & 10 & 1 & right\\_kidney & 1.6 & 0.570 & 0.570 & 25525 & 138 & 195 & 195 & 5247450 & 33524 & 1.5 & 1.5 & 1.5 & 3.375 & 0.135836 & 0.036845 & 2514456 & 37.125 & 0.037257 & 27033.750 & 27.130011 & 8021 & 1.559480e+09 & 2.128834 & 0.760817 & 0.928929 & 5600.0 & 20.0 & genomnote4 & 15.000000 & msgc\\_hi2lo & 1889219 & 7.714900 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 0.000000 & 21.273060 & 0.143840 & 0.146816 & NaN & NaN & NaN & 1.017793 & 2.152148 & 6.137018 & 7.697938 & 19.120913 & 19.144226 & 21.865783 & 625237 & 31.337904 & 23.918294 & 7.107065 & 86146.875 & 113143.500 \\\\\n 0.002480 & 1.626563 & 10 & 1 & right\\_kidney & 1.6 & 0.570 & 0.570 & 25525 & 138 & 195 & 195 & 5247450 & 33524 & 1.5 & 1.5 & 1.5 & 3.375 & 0.135836 & 0.036845 & 2255332 & 37.125 & 0.037257 & 27033.750 & 27.130011 & 8021 & 1.559480e+09 & 1.598118 & 0.760817 & 0.928929 & 5600.0 & 14.0 & genomnote4 & 15.000000 & msgc\\_lo2hi & 1694682 & 7.714900 & 0.030255 & 0.031743 & 0.031743 & 9.174029 & 9.272734 & 9.081648 & 0.058135 & 0.000000 & 0.002483 & 0.004011 & 0.022237 & 0.023229 & 0.050925 & 0.080153 & 3.565725 & 0.0 & 0.0 & 0.0 & 6.147246 & 8.713721 & 0.027775 & 13.029486 & 0.165664 & 0.167648 & 0.167648 & 0.200383 & 9.441375 & 9.441375 & 11.085120 & 11.400114 & 11.400114 & NaN & 11.431368 & 13.644483 & 560650 & 31.337904 & 23.918294 & 7.107065 & 86146.875 & 113143.500 \\\\\n 6.804137 & 3.052975 & 10 & 5 & right\\_kidney & 1.6 & 0.782 & 0.782 & 48117 & 149 & 267 & 267 & 10622061 & 69954 & 1.5 & 1.5 & 1.5 & 3.375 & 0.187455 & NaN & 42337389 & 499.500 & 0.250697 & 74199.375 & 37.240305 & 22133 & 1.559480e+09 & 71.729222 & 0.684274 & NaN & NaN & NaN & genomnote4 & 15.000000 & ssgc & 31715328 & 18.735374 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 82.821459 & 10622061 & 45.383129 & 31.572566 & NaN & 162394.875 & 236094.750 \\\\\n 2.452227 & 2.369620 & 10 & 5 & right\\_kidney & 1.6 & 0.782 & 0.782 & 50456 & 149 & 267 & 267 & 10622061 & 69954 & 1.5 & 1.5 & 1.5 & 3.375 & 0.162279 & 0.057815 & 3521882 & 70.875 & 0.034881 & 65876.625 & 32.420895 & 19540 & 1.559480e+09 & 3.941221 & 0.720757 & 0.890690 & 10935.0 & 24.0 & genomnote4 & 15.000000 & msgc\\_hi2lo & 2647492 & 14.846157 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 0.000000 & 46.617673 & 0.304543 & 0.309503 & NaN & NaN & NaN & 2.277635 & 4.807762 & 14.190581 & 16.703319 & 42.626356 & 42.676451 & 47.988945 & 874390 & 38.643571 & 27.924259 & 10.931027 & 170289.000 & 236094.750 \\\\\n 0.003968 & 2.369620 & 10 & 5 & right\\_kidney & 1.6 & 0.782 & 0.782 & 50456 & 149 & 267 & 267 & 10622061 & 69954 & 1.5 & 1.5 & 1.5 & 3.375 & 0.162279 & 0.057815 & 3401262 & 70.875 & 0.034881 & 65876.625 & 32.420895 & 19540 & 1.559480e+09 & 2.383239 & 0.720757 & 0.890690 & 10935.0 & 31.0 & genomnote4 & 15.000000 & msgc\\_lo2hi & 2556216 & 14.846157 & 0.040175 & 0.042203 & 0.043153 & 24.129979 & 24.339252 & 23.954284 & 0.126118 & 0.000000 & 0.001447 & 0.003473 & 0.039126 & 0.042541 & 0.089703 & 0.125025 & 9.266011 & 0.0 & 0.0 & 0.0 & 16.219834 & 22.966076 & 0.063488 & 31.159757 & 0.348236 & 0.351665 & 0.351665 & 0.394320 & 24.691908 & 24.691908 & 28.197186 & 28.731337 & 28.731337 & NaN & 28.776518 & 32.688470 & 845046 & 38.643571 & 27.924259 & 10.931027 & 170289.000 & 236094.750 \\\\\n 6.060138 & 2.446417 & 10 & 6 & right\\_kidney & 1.6 & 0.782 & 0.782 & 31646 & 145 & 267 & 267 & 10336905 & 46760 & 1.5 & 1.5 & 1.5 & 3.375 & 0.192766 & NaN & 41198901 & 0.000 & 0.000000 & 51009.750 & 38.553172 & 15114 & 1.559480e+09 & 73.832888 & 0.676775 & NaN & NaN & NaN & genomnote4 & 14.773287 & ssgc & 30861996 & 11.254975 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 84.411182 & 10336905 & 47.759590 & 32.322498 & NaN & 106805.250 & 157815.000 \\\\\n 2.383812 & 2.139725 & 10 & 6 & right\\_kidney & 1.6 & 0.782 & 0.782 & 32170 & 145 & 267 & 267 & 10336905 & 46760 & 1.5 & 1.5 & 1.5 & 3.375 & 0.184847 & 0.030400 & 3064567 & 0.000 & 0.000000 & 49241.250 & 36.969467 & 14590 & 1.559480e+09 & 2.728405 & 0.687981 & 0.940994 & 10935.0 & 19.0 & genomnote4 & 14.150972 & msgc\\_hi2lo & 2303546 & 8.961252 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 0.000000 & 46.570411 & 0.280871 & 0.285335 & NaN & NaN & NaN & 2.062507 & 4.535566 & 15.063676 & 17.825410 & 43.801829 & 43.842006 & 47.791149 & 761021 & 45.352813 & 31.201882 & 5.900602 & 108573.750 & 157815.000 \\\\\n 0.004465 & 2.138589 & 10 & 6 & right\\_kidney & 1.6 & 0.782 & 0.782 & 32184 & 145 & 267 & 267 & 10336905 & 46760 & 1.5 & 1.5 & 1.5 & 3.375 & 0.184637 & 0.030111 & 2649519 & 0.000 & 0.000000 & 49194.000 & 36.927442 & 14576 & 1.559480e+09 & 2.029677 & 0.688281 & 0.941538 & 10935.0 & 20.0 & genomnote4 & 14.150972 & msgc\\_lo2hi & 1992285 & 8.960200 & 0.033231 & 0.035215 & 0.036260 & 14.143459 & 14.310613 & 13.968252 & 0.135427 & 0.000000 & 0.002977 & 0.006443 & 0.034920 & 0.036369 & 0.073954 & 0.100837 & 5.467731 & 0.0 & 0.0 & 0.0 & 9.502322 & 13.389724 & 0.055055 & 21.749179 & 0.335331 & 0.338769 & 0.338769 & 0.374976 & 14.650871 & 14.650871 & 18.750812 & 19.661964 & 19.661964 & NaN & 19.719502 & 22.993105 & 657234 & 45.289585 & 31.171942 & 5.846210 & 108621.000 & 157815.000 \\\\\n 10.614416 & 1.798901 & 10 & 7 & right\\_kidney & 1.6 & 0.782 & 0.782 & 30474 & 162 & 267 & 267 & 11548818 & 41246 & 1.5 & 1.5 & 1.5 & 3.375 & 0.150976 & NaN & 46037475 & 94.500 & 0.078081 & 36450.000 & 30.117122 & 10828 & 1.559480e+09 & 77.457499 & 0.737656 & NaN & NaN & NaN & genomnote4 & 10.173495 & ssgc & 34488657 & 6.324122 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 93.810166 & 11548818 & 35.348166 & 26.234433 & NaN & 102849.750 & 139205.250 \\\\\n 2.539975 & 1.413643 & 10 & 7 & right\\_kidney & 1.6 & 0.782 & 0.782 & 31431 & 162 & 267 & 267 & 11548818 & 41246 & 1.5 & 1.5 & 1.5 & 3.375 & 0.135655 & 0.037331 & 3215506 & 74.250 & 0.060542 & 33199.875 & 27.070462 & 9859 & 1.559480e+09 & 2.809083 & 0.761098 & 0.928024 & 12393.0 & 30.0 & genomnote4 & 10.173495 & msgc\\_hi2lo & 2415731 & 4.090550 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 0.000000 & 45.747154 & 0.310721 & 0.314689 & NaN & NaN & NaN & 2.301218 & 4.930520 & 14.766167 & 16.802119 & 42.889959 & 42.938071 & 47.059192 & 799775 & 31.227132 & 23.890181 & 7.197583 & 106079.625 & 139205.250 \\\\\n 0.004464 & 1.413643 & 10 & 7 & right\\_kidney & 1.6 & 0.782 & 0.782 & 31431 & 162 & 267 & 267 & 11548818 & 41246 & 1.5 & 1.5 & 1.5 & 3.375 & 0.135655 & 0.037331 & 3080583 & 74.250 & 0.060542 & 33199.875 & 27.070462 & 9859 & 1.559480e+09 & 1.907481 & 0.761098 & 0.928024 & 12393.0 & 23.0 & genomnote4 & 10.173495 & msgc\\_lo2hi & 2314539 & 4.090550 & 0.034720 & 0.036704 & 0.037696 & 17.109243 & 17.276893 & 16.939603 & 0.127979 & 0.000000 & 0.005391 & 0.006878 & 0.024700 & 0.026701 & 0.054682 & 0.091989 & 6.573624 & 0.0 & 0.0 & 0.0 & 11.482183 & 16.225015 & 0.071424 & 24.317485 & 0.371008 & 0.374976 & 0.374976 & 0.412673 & 17.652861 & 17.652861 & 21.730979 & 22.365859 & 22.365859 & NaN & 22.410003 & 25.647313 & 766044 & 31.227132 & 23.890181 & 7.197583 & 106079.625 & 139205.250 \\\\\n 4.851342 & 0.857250 & 10 & 11 & right\\_kidney & 1.6 & 0.720 & 0.720 & 37457 & 141 & 246 & 246 & 8532756 & 42308 & 1.5 & 1.5 & 1.5 & 3.375 & 0.061242 & NaN & 34001136 & 57.375 & 0.042625 & 16429.500 & 12.205855 & 4885 & 1.559480e+09 & 40.200482 & 0.884584 & NaN & NaN & NaN & genomnote4 & 12.278029 & ssgc & 25468380 & 3.730891 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 48.615925 & 8532756 & 12.950850 & 11.541642 & NaN & 126417.375 & 142789.500 \\\\\n 1.815412 & 0.790575 & 10 & 11 & right\\_kidney & 1.6 & 0.720 & 0.720 & 37512 & 141 & 246 & 246 & 8532756 & 42308 & 1.5 & 1.5 & 1.5 & 3.375 & 0.060361 & 0.008470 & 3136913 & 37.125 & 0.027562 & 16223.625 & 12.044600 & 4818 & 1.559480e+09 & 2.652612 & 0.886150 & 0.983202 & 9375.0 & 37.0 & genomnote4 & 12.278029 & msgc\\_hi2lo & 2356817 & 3.355629 & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & NaN & 0.000000 & 33.525193 & 0.223705 & 0.227177 & NaN & NaN & NaN & 1.769244 & 3.644624 & 10.467609 & 12.351917 & 30.825463 & 30.872581 & 34.565759 & 780096 & 12.785242 & 11.384957 & 1.679805 & 126603.000 & 142789.500 \\\\\n 0.004465 & 0.790575 & 10 & 11 & right\\_kidney & 1.6 & 0.720 & 0.720 & 37512 & 141 & 246 & 246 & 8532756 & 42308 & 1.5 & 1.5 & 1.5 & 3.375 & 0.060361 & 0.008470 & 3319297 & 37.125 & 0.027562 & 16223.625 & 12.044600 & 4818 & 1.559480e+09 & 2.042529 & 0.886150 & 0.983202 & 9375.0 & 34.0 & genomnote4 & 12.278029 & msgc\\_lo2hi & 2494354 & 3.355629 & 0.036208 & 0.038194 & 0.038691 & 21.002655 & 21.148975 & 20.869690 & 0.089315 & 0.000498 & 0.004525 & 0.009027 & 0.032835 & 0.034273 & 0.082035 & 0.122560 & 8.095086 & 0.0 & 0.0 & 0.0 & 14.082511 & 20.001308 & 0.047119 & 26.564424 & 0.274784 & 0.277760 & 0.277760 & 0.316946 & 21.427726 & 21.427726 & 24.051074 & 24.479237 & 24.479237 & NaN & 24.521401 & 27.553457 & 824943 & 12.785242 & 11.384957 & 1.679805 & 126603.000 & 142789.500 \\\\\n\\bottomrule\n\\end{tabular}\n'
In [20]:
stats0
Out[20]:
{'tlinks shape': [(8532756, 2)],
'nlinks shape': [(25468380, 3)],
'_create_nlinks time': 4.851342439651489,
'gc time': 40.20048213005066,
'time': 48.61592483520508,
'error': 4885,
'data segmentation size px': 37457,
'data size px': 8532756,
'volume1_mm3': 126417.375,
'volume2_mm3': 142789.5,
'err1_mm3': 57.375,
'err2_mm3': 16429.5,
'err1_percent': 0.042625211558954428,
'err2_percent': 12.205854698175891,
'vd': 12.950850308353578,
'voe': 11.541642055522738,
'avgd': 0.85724955302278727,
'rmsd': 3.7308913206916716,
'maxd': 12.278029157808675,
'dice': 0.061242399548674276,
'jaccard': 0.88458357944477262}
In [21]:
# gc
In [22]:
df = pd.read_csv(fnamenew)
df.rename(columns={"msgc time": "MSGC time"})
# dfs = df[(df["data seedsz"]==3) & (df["data offset"] == 3) & (df["data radius"] == 10)]
# dfs_plus = dfs[dfs['data size'] > 160]
dfs = df
import seaborn as sns
sns.set_context("paper")
sns.set_style("white")
In [23]:
dfs.keys()
Out[23]:
Index(['_create_nlinks time', 'avgd', 'block size', 'data id',
'data organ key', 'data orig voxesize mm 0', 'data orig voxesize mm 1',
'data orig voxesize mm 2', 'data segmentation size px', 'data size 0',
'data size 1', 'data size 2', 'data size px', 'data target size px',
'data voxesize mm 0', 'data voxesize mm 1', 'data voxesize mm 2',
'data voxesize mm^3', 'dice', 'dice gc', 'edge number', 'err1_mm3',
'err1_percent', 'err2_mm3', 'err2_percent', 'error',
'experiment iteration start time', 'gc time', 'jaccard', 'jaccard gc',
'low level image voxels', 'low level object voxels', 'machine hostname',
'maxd', 'method', 'nlinks number', 'rmsd', 't graph 01', 't graph 10',
't graph 11', 't graph 13', 't graph 14', 't graph high', 't graph low',
't split 01', 't split 02', 't split 03', 't split 04', 't split 05',
't split 06', 't split 07', 't split 08', 't split 081', 't split 082',
't split 0821', 't split 09', 't split 10', 't1', 't10', 't2', 't3',
't3.1', 't3.2', 't3.3', 't4', 't5', 't6', 't7', 't8', 't9', 'time',
'tlinks number', 'vd', 'voe', 'voe gc', 'volume1_mm3', 'volume2_mm3'],
dtype='object')
In [24]:
# pd.set_option('display.height', 1000)
# pd.set_option('display.max_rows', 500)
pd.set_option('display.max_columns', 500)
# pd.set_option('display.width', 1000)
dfs
Out[24]:
_create_nlinks time
avgd
block size
data id
data organ key
data orig voxesize mm 0
data orig voxesize mm 1
data orig voxesize mm 2
data segmentation size px
data size 0
data size 1
data size 2
data size px
data target size px
data voxesize mm 0
data voxesize mm 1
data voxesize mm 2
data voxesize mm^3
dice
dice gc
edge number
err1_mm3
err1_percent
err2_mm3
err2_percent
error
experiment iteration start time
gc time
jaccard
jaccard gc
low level image voxels
low level object voxels
machine hostname
maxd
method
nlinks number
rmsd
t graph 01
t graph 10
t graph 11
t graph 13
t graph 14
t graph high
t graph low
t split 01
t split 02
t split 03
t split 04
t split 05
t split 06
t split 07
t split 08
t split 081
t split 082
t split 0821
t split 09
t split 10
t1
t10
t2
t3
t3.1
t3.2
t3.3
t4
t5
t6
t7
t8
t9
time
tlinks number
vd
voe
voe gc
volume1_mm3
volume2_mm3
0
2.698244
2.307930
10
1
left_kidney
1.6
0.570
0.570
29609
138
195
195
5247450
43413
1.5
1.5
1.5
3.375
0.189094
NaN
20897955
6.750
0.005478
46595.250
37.813262
13808
1.559472e+09
24.595996
0.681953
NaN
NaN
NaN
genomnote4
13.747727
ssgc
15650505
10.266311
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
29.749289
5247450
46.620960
31.804676
NaN
99930.375
146518.875
1
1.175025
1.854668
10
1
left_kidney
1.6
0.570
0.570
30919
138
195
195
5247450
43413
1.5
1.5
1.5
3.375
0.168084
0.049993
3028263
0.000
0.000000
42167.250
33.616746
12494
1.559472e+09
3.133238
0.712206
0.904774
5600.0
20.0
genomnote4
12.903488
msgc_hi2lo
2276742
7.849113
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
0.003505
24.027027
0.155903
0.162351
NaN
NaN
NaN
1.088386
2.307553
6.804336
9.119133
20.867005
20.893789
24.819139
751521
40.408810
28.779398
9.522611
104351.625
146518.875
2
0.002976
1.854668
10
1
left_kidney
1.6
0.570
0.570
30919
138
195
195
5247450
43413
1.5
1.5
1.5
3.375
0.168084
0.049993
3044650
0.000
0.000000
42167.250
33.616746
12494
1.559472e+09
2.818764
0.712206
0.904774
5600.0
22.0
genomnote4
12.903488
msgc_lo2hi
2289195
7.849113
0.050593
0.052577
0.054065
26.574730
26.740391
26.437762
0.075953
0.000496
0.015341
0.022252
0.051051
0.054026
0.108993
0.167053
9.667482
0.0
0.0
0.0
17.461370
25.424738
0.030713
32.303499
0.168642
0.171081
0.171081
0.226632
26.914447
26.914447
29.034354
29.437603
29.437603
NaN
29.484735
32.944820
755455
40.408810
28.779398
9.522611
104351.625
146518.875
3
7.767864
2.991992
10
5
left_kidney
1.6
0.782
0.782
43498
149
267
267
10622061
64610
1.5
1.5
1.5
3.375
0.195767
NaN
42337389
87.750
0.048100
71340.750
39.105339
21164
1.559472e+09
76.445437
0.672566
NaN
NaN
NaN
genomnote4
15.945219
ssgc
31715328
17.703387
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
88.737358
10622061
48.535565
32.743363
NaN
146805.750
218058.750
4
2.395186
2.365609
10
5
left_kidney
1.6
0.782
0.782
45322
149
267
267
10622061
64610
1.5
1.5
1.5
3.375
0.175490
0.049403
3625628
6.750
0.003639
65103.750
35.094422
19292
1.559472e+09
3.543429
0.701418
0.905845
10935.0
26.0
genomnote4
15.945219
msgc_hi2lo
2725151
14.004058
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
0.000000
46.573639
0.292111
0.297567
NaN
NaN
NaN
2.115412
4.594917
13.907826
16.114039
42.984083
43.030210
47.859365
900477
42.557698
29.858231
9.415501
152961.750
218058.750
5
0.004464
2.365609
10
5
left_kidney
1.6
0.782
0.782
45322
149
267
267
10622061
64610
1.5
1.5
1.5
3.375
0.175490
0.049403
3303540
6.750
0.003639
65103.750
35.094422
19292
1.559472e+09
2.480003
0.701418
0.905845
10935.0
23.0
genomnote4
15.945219
msgc_lo2hi
2483469
14.004058
0.036209
0.038688
0.039185
22.692034
22.855217
22.512997
0.131935
0.001033
0.005995
0.008972
0.045053
0.047529
0.095994
0.143079
8.737543
0.0
0.0
0.0
15.207744
21.603584
0.054573
29.844826
0.322367
0.326335
0.326335
0.365520
23.182048
23.182048
26.482437
27.293401
27.293401
NaN
27.364824
31.108671
820071
42.557698
29.858231
9.415501
152961.750
218058.750
6
5.688588
2.328424
10
6
left_kidney
1.6
0.782
0.782
34940
145
267
267
10336905
51083
1.5
1.5
1.5
3.375
0.188147
NaN
41198901
70.875
0.048824
54553.500
37.580647
16185
1.559472e+09
66.998272
0.683293
NaN
NaN
NaN
genomnote4
14.849242
ssgc
30861996
10.866419
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
76.799777
10336905
46.202061
31.670711
NaN
117922.500
172405.125
7
2.247424
2.148353
10
6
left_kidney
1.6
0.782
0.782
35797
145
267
267
10336905
51083
1.5
1.5
1.5
3.375
0.186786
0.050935
2803711
1589.625
1.084254
53179.875
36.273020
16228
1.559472e+09
2.467602
0.685223
0.903067
10935.0
15.0
genomnote4
14.150972
msgc_hi2lo
2108208
9.601575
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
0.000000
39.835305
0.271807
0.276767
NaN
NaN
NaN
2.090146
4.410438
12.925779
14.639501
37.323557
37.367703
41.044385
695503
42.701902
31.477674
9.693301
120814.875
172405.125
8
0.004960
2.080235
10
6
left_kidney
1.6
0.782
0.782
35521
145
267
267
10336905
51083
1.5
1.5
1.5
3.375
0.179715
0.037084
3434220
3.375
0.002309
52525.125
35.940603
15564
1.559472e+09
2.147149
0.695325
0.928483
10935.0
28.0
genomnote4
14.150972
msgc_lo2hi
2581182
9.048897
0.041167
0.043151
0.043648
22.105303
22.265472
21.942726
0.113543
0.000497
0.002978
0.004962
0.031708
0.035184
0.085961
0.128602
8.474447
0.0
0.0
0.0
14.804888
21.041697
0.057049
28.461488
0.324359
0.328865
0.328865
0.372965
22.595287
22.595287
25.714675
26.269165
26.269165
NaN
26.314338
29.693601
853038
43.810704
30.467465
7.151654
119883.375
172405.125
9
6.541257
1.265068
10
7
left_kidney
1.6
0.782
0.782
36568
162
267
267
11548818
44346
1.5
1.5
1.5
3.375
0.101812
NaN
46037475
776.250
0.568505
27027.000
19.793855
8238
1.559472e+09
88.094727
0.815192
NaN
NaN
NaN
genomnote4
13.500000
ssgc
34488657
5.571671
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
100.232490
11548818
21.269963
18.480797
NaN
123417.000
149667.750
10
2.821748
1.067025
10
7
left_kidney
1.6
0.782
0.782
36921
162
267
267
11548818
44346
1.5
1.5
1.5
3.375
0.095475
0.018765
3516881
563.625
0.410991
25623.000
18.684091
7759
1.559472e+09
3.393141
0.825691
0.963162
12393.0
30.0
genomnote4
13.500000
msgc_hi2lo
2642738
4.551632
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
0.000496
48.637643
0.341830
0.346294
NaN
NaN
NaN
2.509353
5.415919
15.869628
18.093199
45.195398
45.244502
50.101531
874143
20.110506
17.430863
3.683817
124608.375
149667.750
11
0.004464
1.067025
10
7
left_kidney
1.6
0.782
0.782
36921
162
267
267
11548818
44346
1.5
1.5
1.5
3.375
0.095475
0.018765
3079521
563.625
0.410991
25623.000
18.684091
7759
1.559472e+09
2.023156
0.825691
0.963162
12393.0
23.0
genomnote4
13.500000
msgc_lo2hi
2315475
4.551632
0.035216
0.037200
0.037696
20.085551
20.253198
19.899964
0.141370
0.000499
0.003420
0.006396
0.033201
0.034685
0.082104
0.127890
7.599319
0.0
0.0
0.0
13.413309
19.069011
0.071922
27.931289
0.381424
0.385392
0.385392
0.423584
20.639582
20.639582
25.057461
25.861524
25.861524
NaN
25.908133
29.516011
764046
20.110506
17.430863
3.683817
124608.375
149667.750
12
4.539396
1.309515
10
11
left_kidney
1.6
0.720
0.720
35999
141
246
246
8532756
41827
1.5
1.5
1.5
3.375
0.074936
NaN
34001136
6.750
0.005140
19676.250
14.982140
5832
1.559472e+09
55.125268
0.860575
NaN
NaN
NaN
genomnote4
12.278029
ssgc
25468380
5.685151
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
63.353954
8532756
16.189339
13.942480
NaN
121496.625
141166.125
13
2.297475
0.831098
10
11
left_kidney
1.6
0.720
0.720
36446
141
246
246
8532756
41827
1.5
1.5
1.5
3.375
0.068747
0.018814
3139878
0.000
0.000000
18160.875
13.749313
5381
1.559472e+09
4.736311
0.871351
0.963066
9375.0
31.0
genomnote4
12.278029
msgc_hi2lo
2359381
2.761898
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
0.000496
42.193967
0.273791
0.278255
NaN
NaN
NaN
2.210219
4.594991
12.432794
14.799351
37.410041
37.457656
43.754883
780497
14.764309
12.864896
3.693367
123005.250
141166.125
14
0.003968
0.831098
10
11
left_kidney
1.6
0.720
0.720
36446
141
246
246
8532756
41827
1.5
1.5
1.5
3.375
0.068747
0.018814
2704543
0.000
0.000000
18160.875
13.749313
5381
1.559472e+09
1.656101
0.871351
0.963066
9375.0
18.0
genomnote4
12.278029
msgc_lo2hi
2032447
2.761898
0.031248
0.032737
0.033232
14.356787
14.488183
14.222773
0.098302
0.000000
0.003479
0.007394
0.032570
0.034060
0.069767
0.104836
5.530194
0.0
0.0
0.0
9.644727
13.648823
0.052078
19.972957
0.304047
0.307518
0.307518
0.354144
14.809590
14.809590
17.804440
18.282587
18.282587
NaN
18.316856
21.022991
672096
14.764309
12.864896
3.693367
123005.250
141166.125
15
2.849182
1.992085
10
1
right_kidney
1.6
0.570
0.570
24903
138
195
195
5247450
33524
1.5
1.5
1.5
3.375
0.148099
NaN
20897955
54.000
0.054769
29149.875
29.565098
8653
1.559480e+09
20.172845
0.742010
NaN
NaN
NaN
genomnote4
15.000000
ssgc
15650505
9.970021
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
25.579485
5247450
34.618319
25.799046
NaN
84047.625
113143.500
16
1.098147
1.626563
10
1
right_kidney
1.6
0.570
0.570
25525
138
195
195
5247450
33524
1.5
1.5
1.5
3.375
0.135836
0.036845
2514456
37.125
0.037257
27033.750
27.130011
8021
1.559480e+09
2.128834
0.760817
0.928929
5600.0
20.0
genomnote4
15.000000
msgc_hi2lo
1889219
7.714900
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
0.000000
21.273060
0.143840
0.146816
NaN
NaN
NaN
1.017793
2.152148
6.137018
7.697938
19.120913
19.144226
21.865783
625237
31.337904
23.918294
7.107065
86146.875
113143.500
17
0.002480
1.626563
10
1
right_kidney
1.6
0.570
0.570
25525
138
195
195
5247450
33524
1.5
1.5
1.5
3.375
0.135836
0.036845
2255332
37.125
0.037257
27033.750
27.130011
8021
1.559480e+09
1.598118
0.760817
0.928929
5600.0
14.0
genomnote4
15.000000
msgc_lo2hi
1694682
7.714900
0.030255
0.031743
0.031743
9.174029
9.272734
9.081648
0.058135
0.000000
0.002483
0.004011
0.022237
0.023229
0.050925
0.080153
3.565725
0.0
0.0
0.0
6.147246
8.713721
0.027775
13.029486
0.165664
0.167648
0.167648
0.200383
9.441375
9.441375
11.085120
11.400114
11.400114
NaN
11.431368
13.644483
560650
31.337904
23.918294
7.107065
86146.875
113143.500
18
6.804137
3.052975
10
5
right_kidney
1.6
0.782
0.782
48117
149
267
267
10622061
69954
1.5
1.5
1.5
3.375
0.187455
NaN
42337389
499.500
0.250697
74199.375
37.240305
22133
1.559480e+09
71.729222
0.684274
NaN
NaN
NaN
genomnote4
15.000000
ssgc
31715328
18.735374
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
82.821459
10622061
45.383129
31.572566
NaN
162394.875
236094.750
19
2.452227
2.369620
10
5
right_kidney
1.6
0.782
0.782
50456
149
267
267
10622061
69954
1.5
1.5
1.5
3.375
0.162279
0.057815
3521882
70.875
0.034881
65876.625
32.420895
19540
1.559480e+09
3.941221
0.720757
0.890690
10935.0
24.0
genomnote4
15.000000
msgc_hi2lo
2647492
14.846157
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
0.000000
46.617673
0.304543
0.309503
NaN
NaN
NaN
2.277635
4.807762
14.190581
16.703319
42.626356
42.676451
47.988945
874390
38.643571
27.924259
10.931027
170289.000
236094.750
20
0.003968
2.369620
10
5
right_kidney
1.6
0.782
0.782
50456
149
267
267
10622061
69954
1.5
1.5
1.5
3.375
0.162279
0.057815
3401262
70.875
0.034881
65876.625
32.420895
19540
1.559480e+09
2.383239
0.720757
0.890690
10935.0
31.0
genomnote4
15.000000
msgc_lo2hi
2556216
14.846157
0.040175
0.042203
0.043153
24.129979
24.339252
23.954284
0.126118
0.000000
0.001447
0.003473
0.039126
0.042541
0.089703
0.125025
9.266011
0.0
0.0
0.0
16.219834
22.966076
0.063488
31.159757
0.348236
0.351665
0.351665
0.394320
24.691908
24.691908
28.197186
28.731337
28.731337
NaN
28.776518
32.688470
845046
38.643571
27.924259
10.931027
170289.000
236094.750
21
6.060138
2.446417
10
6
right_kidney
1.6
0.782
0.782
31646
145
267
267
10336905
46760
1.5
1.5
1.5
3.375
0.192766
NaN
41198901
0.000
0.000000
51009.750
38.553172
15114
1.559480e+09
73.832888
0.676775
NaN
NaN
NaN
genomnote4
14.773287
ssgc
30861996
11.254975
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
84.411182
10336905
47.759590
32.322498
NaN
106805.250
157815.000
22
2.383812
2.139725
10
6
right_kidney
1.6
0.782
0.782
32170
145
267
267
10336905
46760
1.5
1.5
1.5
3.375
0.184847
0.030400
3064567
0.000
0.000000
49241.250
36.969467
14590
1.559480e+09
2.728405
0.687981
0.940994
10935.0
19.0
genomnote4
14.150972
msgc_hi2lo
2303546
8.961252
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
0.000000
46.570411
0.280871
0.285335
NaN
NaN
NaN
2.062507
4.535566
15.063676
17.825410
43.801829
43.842006
47.791149
761021
45.352813
31.201882
5.900602
108573.750
157815.000
23
0.004465
2.138589
10
6
right_kidney
1.6
0.782
0.782
32184
145
267
267
10336905
46760
1.5
1.5
1.5
3.375
0.184637
0.030111
2649519
0.000
0.000000
49194.000
36.927442
14576
1.559480e+09
2.029677
0.688281
0.941538
10935.0
20.0
genomnote4
14.150972
msgc_lo2hi
1992285
8.960200
0.033231
0.035215
0.036260
14.143459
14.310613
13.968252
0.135427
0.000000
0.002977
0.006443
0.034920
0.036369
0.073954
0.100837
5.467731
0.0
0.0
0.0
9.502322
13.389724
0.055055
21.749179
0.335331
0.338769
0.338769
0.374976
14.650871
14.650871
18.750812
19.661964
19.661964
NaN
19.719502
22.993105
657234
45.289585
31.171942
5.846210
108621.000
157815.000
24
10.614416
1.798901
10
7
right_kidney
1.6
0.782
0.782
30474
162
267
267
11548818
41246
1.5
1.5
1.5
3.375
0.150976
NaN
46037475
94.500
0.078081
36450.000
30.117122
10828
1.559480e+09
77.457499
0.737656
NaN
NaN
NaN
genomnote4
10.173495
ssgc
34488657
6.324122
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
93.810166
11548818
35.348166
26.234433
NaN
102849.750
139205.250
25
2.539975
1.413643
10
7
right_kidney
1.6
0.782
0.782
31431
162
267
267
11548818
41246
1.5
1.5
1.5
3.375
0.135655
0.037331
3215506
74.250
0.060542
33199.875
27.070462
9859
1.559480e+09
2.809083
0.761098
0.928024
12393.0
30.0
genomnote4
10.173495
msgc_hi2lo
2415731
4.090550
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
0.000000
45.747154
0.310721
0.314689
NaN
NaN
NaN
2.301218
4.930520
14.766167
16.802119
42.889959
42.938071
47.059192
799775
31.227132
23.890181
7.197583
106079.625
139205.250
26
0.004464
1.413643
10
7
right_kidney
1.6
0.782
0.782
31431
162
267
267
11548818
41246
1.5
1.5
1.5
3.375
0.135655
0.037331
3080583
74.250
0.060542
33199.875
27.070462
9859
1.559480e+09
1.907481
0.761098
0.928024
12393.0
23.0
genomnote4
10.173495
msgc_lo2hi
2314539
4.090550
0.034720
0.036704
0.037696
17.109243
17.276893
16.939603
0.127979
0.000000
0.005391
0.006878
0.024700
0.026701
0.054682
0.091989
6.573624
0.0
0.0
0.0
11.482183
16.225015
0.071424
24.317485
0.371008
0.374976
0.374976
0.412673
17.652861
17.652861
21.730979
22.365859
22.365859
NaN
22.410003
25.647313
766044
31.227132
23.890181
7.197583
106079.625
139205.250
27
4.851342
0.857250
10
11
right_kidney
1.6
0.720
0.720
37457
141
246
246
8532756
42308
1.5
1.5
1.5
3.375
0.061242
NaN
34001136
57.375
0.042625
16429.500
12.205855
4885
1.559480e+09
40.200482
0.884584
NaN
NaN
NaN
genomnote4
12.278029
ssgc
25468380
3.730891
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
48.615925
8532756
12.950850
11.541642
NaN
126417.375
142789.500
28
1.815412
0.790575
10
11
right_kidney
1.6
0.720
0.720
37512
141
246
246
8532756
42308
1.5
1.5
1.5
3.375
0.060361
0.008470
3136913
37.125
0.027562
16223.625
12.044600
4818
1.559480e+09
2.652612
0.886150
0.983202
9375.0
37.0
genomnote4
12.278029
msgc_hi2lo
2356817
3.355629
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
0.000000
33.525193
0.223705
0.227177
NaN
NaN
NaN
1.769244
3.644624
10.467609
12.351917
30.825463
30.872581
34.565759
780096
12.785242
11.384957
1.679805
126603.000
142789.500
29
0.004465
0.790575
10
11
right_kidney
1.6
0.720
0.720
37512
141
246
246
8532756
42308
1.5
1.5
1.5
3.375
0.060361
0.008470
3319297
37.125
0.027562
16223.625
12.044600
4818
1.559480e+09
2.042529
0.886150
0.983202
9375.0
34.0
genomnote4
12.278029
msgc_lo2hi
2494354
3.355629
0.036208
0.038194
0.038691
21.002655
21.148975
20.869690
0.089315
0.000498
0.004525
0.009027
0.032835
0.034273
0.082035
0.122560
8.095086
0.0
0.0
0.0
14.082511
20.001308
0.047119
26.564424
0.274784
0.277760
0.277760
0.316946
21.427726
21.427726
24.051074
24.479237
24.479237
NaN
24.521401
27.553457
824943
12.785242
11.384957
1.679805
126603.000
142789.500
In [25]:
sns.boxplot(data=df, y="time", x="method")
Out[25]:
<matplotlib.axes._subplots.AxesSubplot at 0x2dbaace3978>
In [26]:
uu = pd.melt(df.rename(columns={"gc time": "gc", "time": "total"}), value_vars=["gc", "total"], id_vars=["method"], var_name="time type", value_name="time")
sns.boxplot(data=uu, hue="time type",y="time", x="method")
plt.savefig(op.join(latex_dir, "msgc_time_boxplot_ct.pdf"), dpi=1000)
In [27]:
# uu["method"] == "msgc_lo2hi"
uu[uu["method"] == "msgc_lo2hi "]
Out[27]:
method
time type
time
2
msgc_lo2hi
gc
2.818764
5
msgc_lo2hi
gc
2.480003
8
msgc_lo2hi
gc
2.147149
11
msgc_lo2hi
gc
2.023156
14
msgc_lo2hi
gc
1.656101
17
msgc_lo2hi
gc
1.598118
20
msgc_lo2hi
gc
2.383239
23
msgc_lo2hi
gc
2.029677
26
msgc_lo2hi
gc
1.907481
29
msgc_lo2hi
gc
2.042529
32
msgc_lo2hi
total
32.944820
35
msgc_lo2hi
total
31.108671
38
msgc_lo2hi
total
29.693601
41
msgc_lo2hi
total
29.516011
44
msgc_lo2hi
total
21.022991
47
msgc_lo2hi
total
13.644483
50
msgc_lo2hi
total
32.688470
53
msgc_lo2hi
total
22.993105
56
msgc_lo2hi
total
25.647313
59
msgc_lo2hi
total
27.553457
In [28]:
table = pd.pivot_table(
dfs, values=['gc time', 'time', "t3", "t4", "t5", "t6", "t7", "t8"], index=['method'],
aggfunc={'gc time': np.mean, 'time': [np.mean, min, max], "t3": np.mean,"t4": np.mean, "t5": np.mean, "t6": np.mean, "t7": np.mean, "t8": np.mean}
)
table
Out[28]:
gc time
t3
t4
t5
t6
t7
t8
time
mean
mean
mean
mean
mean
mean
mean
max
mean
min
method
msgc_hi2lo
3.153388
0.264475
1.944191
4.139444
12.256542
14.414593
36.30446
50.101531
40.685013
21.865783
msgc_lo2hi
2.108622
0.303001
19.600569
22.790854
23.378279
23.378279
NaN
32.944820
26.681292
13.644483
ssgc
59.465264
NaN
NaN
NaN
NaN
NaN
NaN
100.232490
69.411109
25.579485
In [29]:
table = pd.pivot_table(
dfs, values=['gc time', 'time', "t2", "t3", "t3.1", "t3.2", "t3.3", "t4", "t5", "t6", "t7", "t8", "low level image voxels", "low level object voxels"], index=['method'],
aggfunc=np.min
)
table
Out[29]:
gc time
low level image voxels
low level object voxels
t2
t3
t3.1
t3.2
t3.3
t4
t5
t6
t7
t8
time
method
msgc_hi2lo
2.128834
5600.0
15.0
0.143840
0.146816
NaN
NaN
NaN
1.017793
2.152148
6.137018
7.697938
19.120913
21.865783
msgc_lo2hi
1.598118
5600.0
14.0
0.165664
0.167648
0.167648
0.200383
9.441375
9.441375
11.085120
11.400114
11.400114
NaN
13.644483
ssgc
20.172845
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
25.579485
In [30]:
table = pd.pivot_table(
dfs, values=['gc time', 'time', "t graph 01", "t graph 10", "t graph 11", "t graph 13", "t graph 14", "low level image voxels", "low level object voxels"], index=['method'],
aggfunc=np.mean
)
table
Out[30]:
gc time
low level image voxels
low level object voxels
t graph 01
t graph 10
t graph 11
t graph 13
t graph 14
time
method
msgc_hi2lo
3.153388
9847.6
25.2
NaN
NaN
NaN
NaN
NaN
40.685013
msgc_lo2hi
2.108622
9847.6
23.6
0.036902
0.038841
0.039537
19.137377
19.295093
26.681292
ssgc
59.465264
NaN
NaN
NaN
NaN
NaN
NaN
NaN
69.411109
In [31]:
table = pd.pivot_table(
dfs, values=[
'gc time', 'time',
"t graph low",
"t graph high",
"t split 01",
"t split 02",
"t split 03",
"t split 04",
"t split 05",
"t split 06",
"t split 07",
"t split 08",
"t split 081",
"t split 082",
"t split 09",
"t split 10",
"low level image voxels", "low level object voxels"], index=['method'],
aggfunc=np.mean
)
table
Out[31]:
gc time
low level image voxels
low level object voxels
t graph high
t graph low
t split 01
t split 02
t split 03
t split 04
t split 05
t split 06
t split 07
t split 08
t split 081
t split 082
t split 09
t split 10
time
method
msgc_hi2lo
3.153388
9847.6
25.2
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
40.685013
msgc_lo2hi
2.108622
9847.6
23.6
18.98297
0.109808
0.000302
0.004804
0.007981
0.03474
0.03686
0.079412
0.119202
7.297716
0.0
0.0
12.796613
18.20837
26.681292
ssgc
59.465264
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
69.411109
In [32]:
dfs.keys()
Out[32]:
Index(['_create_nlinks time', 'avgd', 'block size', 'data id',
'data organ key', 'data orig voxesize mm 0', 'data orig voxesize mm 1',
'data orig voxesize mm 2', 'data segmentation size px', 'data size 0',
'data size 1', 'data size 2', 'data size px', 'data target size px',
'data voxesize mm 0', 'data voxesize mm 1', 'data voxesize mm 2',
'data voxesize mm^3', 'dice', 'dice gc', 'edge number', 'err1_mm3',
'err1_percent', 'err2_mm3', 'err2_percent', 'error',
'experiment iteration start time', 'gc time', 'jaccard', 'jaccard gc',
'low level image voxels', 'low level object voxels', 'machine hostname',
'maxd', 'method', 'nlinks number', 'rmsd', 't graph 01', 't graph 10',
't graph 11', 't graph 13', 't graph 14', 't graph high', 't graph low',
't split 01', 't split 02', 't split 03', 't split 04', 't split 05',
't split 06', 't split 07', 't split 08', 't split 081', 't split 082',
't split 0821', 't split 09', 't split 10', 't1', 't10', 't2', 't3',
't3.1', 't3.2', 't3.3', 't4', 't5', 't6', 't7', 't8', 't9', 'time',
'tlinks number', 'vd', 'voe', 'voe gc', 'volume1_mm3', 'volume2_mm3'],
dtype='object')
Content source: mjirik/pyseg_base
Similar notebooks: