KiTS19——肾肿瘤分割挑战赛（十）

最近，有很多朋友提出，肾脏分割模型在实际使用时会出现很多错误分割，很多大腿区域被错误分割出是肾脏区域。今天我将分享如何设计肾脏粗分割方法去除错误分割区域，使用的模型VNet方法跟肾脏分割是类似的。

1、VNet模型

大家看过我之前的文章，肯定对VNet模型已经非常熟悉了，该结构出自2016年发表的一篇论文《V-Net:Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation》，关于该网络具体的细节可以之前的文章，我这里就不多说了。

2、粗分割肾脏区域

在之前的文章中，在肾脏分割时，所用的数据是根据金标准Mask图像取得一个ROI子区域图像，来进行分割的，但在实际应用的时候，只有原始图像没有金标准Mask图像的，所以在使用之前文章中的分割模型时，必须首先确定肾脏大致区域范围，对区域范围内的图像进行肾脏分割，如果直接分割整个图像的话肯定会出现错误分割现象，将一些不是肾脏的区域分割出来。如何确定肾脏区域范围？最简单的方法就是人工设置肾脏范围，今天我将用VNet对肾脏进行粗分割来得到肾脏的大致区域范围。

3、数据集处理方法

跟之前一样，采用0-199例数据来进行训练，200-209例数据来进行测试。图像大小都是512x512xn（n代表张数）的数据。首先，将原始图像和Mask图像都进行采样操作，将图像缩放到512x512x64的大小，然后将采样后的原始图像和Mask图像按照x和y方向上裁切6x6块，所以一个数据集就会裁切出6x6x1=36个（128x128x64）子图像出来。

4、Vnet肾器官粗分割训练效果

我是在1080ti显卡上跑的，所以batchsize设置成2，如果大家出现OOM错误，请修改该参数，如果显存比11G还大的话，也可以设置大一些。下面是训练loss结果及精度结果。

5、在测试数据上分割结果

在测试的时候，本来想将原始图像插值到512x512x64大小的图像，然后直接输入到训练好的网络中，但是1080ti显卡出现OOM错误。无奈只能降低图像分辨率大小，将原始图像512x512xn，n代表张数，插值采样到256x256x64大小的图像，然后直接输入到训练好的网络中，得到256x256x64大小的预测Mask图像，最后将256x256x64大小的Mask图像进行插值采样恢复到512x512xn大小。分割结果如下面视频所示，红色轮廓是金标准结果，蓝色轮廓是预测结果，预测结果与金标准的dice值是非常低的，但是这不影响肾脏的区域范围选择，当我们找到肾脏的区域范围后，就可以得到该区域的子图像，就可以使用之前文章的肾脏分割模型进行分割了。