COVID-19-20——基于VNet3D分割网络的基础方法

今天将分享COVID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）、199例COVID的CT原始数据和标注数据及训练标签文件可以在官网上下载获取得到。验证数据一共有50例CT数据，也可以在官网上下载了。

（2）、采用简单粗暴的方式来处理数据，由于训练的显卡是1080ti的11G显存的，所以首先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160x160x64，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-1000到0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20倍。

二、分割网络

（1）、搭建VNet3d模型，网络输入大小是（160，160，64）。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采用的是二分类的dice函数。具体实现可以参考​ ​Tensorflow入门教程（三十四）——常用两类图像分割损失函数​​。

（3）、分割损失结果和精度经过如下图所示。

三、验证数据结果

在50例数据上进行测试，验证数据结果排名在81名，结果看上去并没有那么糟糕。

在提交结果上可以看到详细评价指标数值，以dice指标为例，好的结果dice值可以到达0.8以上，差的结果dice值只有0。

四、改进的方向

1、考虑到有限的计算资源，可以首先将肺组织区域分割提取出来，然后针对肺部组织进行肺部病变分割提取，提高分割精度

2、考虑将Vnet2d和Vnet3d分割网络进行结合分割，提高分割精度。

3、数据预处理部分，采用合适的策略，例如窗宽窗位的设置，图像大小的设置等。

​