Tensorflow入门教程（十三）——医学图像分割案例

在之前的文章中我分享了Tensorflow的基本知识内容，接下来我将会分享如何利用Tensorflow将深度学习应用到医学图像上，今天我会分享深度学习在医学图像分割的实际案例。

1、Unet模型

在医学图像处理领域，有一种应用很广泛的全卷积神经网络模型结构——Unet，网络模型结构如下。关于该网络具体的细节，请阅读相关资料：https://lmb.informatik.uni-freiburg.de/people/ronneber/u-net/，这里我就不多说了。

2、问题分析

我采用的是网上公开的细胞图像病理数据，数据地址：https://warwick.ac.uk/fac/sci/dcs/research/tia/glascontest/download/。

3、网络实现

我是参考了网上Tensorflow版本的Unet来实现分割模型，地址：https://github.com/jakeret/tf_unet。

4、效果

由于数据集很小只有165组图像，所以数据增强是必须的图像预处理步骤。下面是模型训练时损失函数变化的情况。

在测试图像上，我用训练好的模型来进行分割，整个测试集上的平均精度为90.75%。为了更主观的查看模型的效果，我给出了2组图像（原始细胞图像和原始细胞分割图像）并用模型分割后的对比效果图。

测试的原始细胞图像A

测试的原始细胞分割图像A

模型的分割图像A

测试的原始细胞图像B

测试的原始细胞分割图像B

模型的分割图像B

从上面可以看到整体分割效果还是不错的，感兴趣的就自己动手试一试吧。如果碰到任何问题，随时留言，我会尽量去回答的。