Kaggle——超声八大组织分割完整实现

Kaggle——超声八大组织分割挑战赛

今天将分享超声图像八大组织多类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、超声图像分析与预处理

（1）、633张超声原始数据和标注数据可以在官网上下载获取到。测试数据一共有293张数据和标注数据，也可以在官网上下载了。标注的八大组织标签：紫色=肝，黄色=肾，蓝色=胰腺，红色=血管，浅蓝色=肾上腺，绿色=胆囊，白色=骨头，粉红色=脾脏。

（2）、由于原始数据大小不一样，这里对图像做统一大小设置，都设置成448x448的大小。

（3）、标注图像是彩色的图像，为了方便训练，按照数字排序给予每个颜色对应标签，0是背景，1是肝，2是肾，3是胰腺，4是血管，5是肾上腺，6是胆囊，7是骨头，8是脾脏。

（4）、为了增加模型鲁棒性，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。

（5）、原始图像和金标准Mask图像的预处理还需要做归一化操作，统一都归一化到（0，1）。

二、分割网络

（1）、搭建VNet2d模型，网络输入大小是（448，448）。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。

三、测试数据结果

输入图像统一缩放到（448，448），归一化到0-1，输入到网络中预测，再将结果缩放到原始图像大小，最后将灰度Mask结果转换成彩色Mask结果。如下图所示是部分分割效果图，左图是原始超声图像，中间图像是金标准Mask图像，右边是预测Mask图像。

左：原始超声图像，中：金标准Mask图像，右：网络预测Mask图像

左：原始超声图像，中：金标准Mask图像，右：网络预测Mask图像

左：原始超声图像，中：金标准Mask图像，右：网络预测Mask图像

左：原始超声图像，中：金标准Mask图像，右：网络预测Mask图像

为了方便大家更高效地学习，后期会将相关项目代码更新到github上，点击原文链接即可访问官方比赛网址，可以直接下载训练和测试数据。

如果大家觉得这个项目还不错，希望大家给个Star并Fork，可以让更多的人学习。如果有任何问题，随时给我留言我会及时回复的。