CTPelvicBone——骨盆级联分割网络完整实现

今天将分享骨盆级联的二值分割的完整实现过程，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。

一、图像分析与预处理

（1）、1184例CT原始数据和标注数据及训练标签文件可以在原文链接中获取得到。

（2）、前面文章是采用简单粗暴的方式来处理数据，将训练原始图像和标注图像进行图像大小缩放到固定大小，具体是128x128x96，这会导致最后分割结果颗粒感很强，视觉效果不好。本文将采用两个级联的Vnet3D网络来分割提取盆骨，由于训练的显卡是1080ti的11G显存的，所以第一阶段是将训练原始图像和标注图像进行图像大小缩放到固定大小，具体是128x128x96，第二阶段是根据标注图像找到盆骨的ROI区域，然后将对应ROI区域的图像和标注图像裁切出来，缩放到固定大小，具体是160x96x96，如果你的显卡显存足够大的话，可以将该大小改的大一点，如果显存小的话，可以将该大小改小一点。

（3）、对缩放后的原始图像进行窗宽窗位设置，将0到800之间的Hu值进行保留，其他的范围进行截断处理。

（4）、然后在采用均值为0，方差为1的方式对原始图像进行归一化处理。

（5）、为了防止模型过拟合，还增加了数据增强的处理过程，采用旋转，平移，翻转等方法对图像和标注数据同时进行扩充处理，这里扩充了10倍。

二、分割网络

（1）、搭建VNet3d模型，网络输入大小是（128，128，96）和（160，96，96）。具体实现可以参考Tensorflow入门教程（十九）——基于VNet的前列腺分割案例

（2）、loss采用的是多分类的focalloss函数。具体实现可以参考Tensorflow入门教程（三十五）——常用多类图像分割损失函数

（3）、训练损失函数和精度结果如下所示。

三、测试数据结果

首先将输入图像统一缩放到（128，128，96），设置窗宽窗位（0，800），输入到网络中预测，然后根据预测结果得到盆骨ROI的区域范围，再根据该范围从输入图像中裁切出该区域子图像，再统一缩放到（160，96，96），设置窗宽窗位（0，800），输入到网络中预测，最后将结果恢复到原始图像大小。下面是10例测试数据分割结果，左边是金标准结果，右边是预测结果。可以看到基本上分割的都是正确的，与前面文章相比第五例数据左右大盆骨正确分割了，还有就是分割结果与金标准相比，颗粒感明显降低，视觉效果会更好，这说明级联VNet3d分割效果有明显提高。