颅内血管分割随笔

最新推荐文章于 2023-10-03 01:26:19 发布

SIAT_啊哦

最新推荐文章于 2023-10-03 01:26:19 发布

阅读量1.3k

点赞数

分类专栏：深度学习文章标签：深度学习

本文链接：https://blog.csdn.net/ETF6996/article/details/107913429

版权

这篇博客记录了使用Unet网络进行颅内血管分割的过程。在20套nii格式的三维数据上，通过切片和加窗处理，将数据转换为适合训练的格式。训练中遇到了dice分数始终低位徘徊的问题，最终发现是数据类型转换（float64到float32）导致的。在解决这个问题后，模型在2.0.0版本的TensorFlow上得以正常训练，但未使用数据增强和扩充。后续调整网络结构后，训练集和验证集的表现得到改善。

摘要由CSDN通过智能技术生成

这次分割的颅内血管数据是nii格式的三维数据，由于只有20套，所以打算切片再用简单的unet分割。途中遇到很多问题，简单记录一下~

数据处理

nii格式的文件读取专用库之一：

import nibabel as nib
img = nib.load(filename).get_fdata()

这样就能获取nii文件的三维数据内容了。但是获取到的三维数组内容是0-3000多的CT值，如果保存为png图片则要转换成0-255的uint8格式的数据则需要进行加窗。当选取窗位900，窗宽1200时比较适合。因此所有数据全转换成uint8的png切片。在训练之前将数据归一化，0-255的数据归一化到0-1。

Unet网络

用最简单的unet网络先分割一下：

def get_unet_2(height,width,n_chanel):
    inputs = Input((height, width, n_chanel))

    conv1 = Conv2D(16, 3, activation='relu', padding='same', kernel_initializer='he_normal')(inputs)
    conv1 = Conv2D(16, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv1)
    pool1 = MaxPooling2D(pool_size=(2, 2))(conv1)

    conv2 = Conv2D(32, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool1)
    conv2 = Conv2D(32, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv2)
    pool2 = MaxPooling2D(pool_size=(2, 2))(conv2)

    conv3 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool2)
    conv3 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv3)
    pool3 = MaxPooling2D(pool_size=(2, 2))(conv3)

    conv4 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool3)
    conv4 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv4)
    drop4 = Dropout(0.5)(conv4)
    pool4 = MaxPooling2D(pool_size=(2, 2))(drop4)

    conv5 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool4)
    conv5 = Conv2D(