医学图像分割-入坑准备（入门）

---

写在前面

博主目前（至2021-4）研究 脑部 MRI 图像（Brain MRI），医学图像分割工作或者定位工作，基本差不太多，以下文章如有问题或错误，请指正。

入门

入门看 “Deep Learning for Brain MRI Segmentation: State of the Art and Future Directions” 一文基本就足够了，文中从当前常用的深度学习框架，到医学图像的描述，再到当年现有的公共数据集，再到深度学习处理方法，对分割结果的评估方法。

• 深度学习框架：TensorFlow、PyTorch、Caffe、Theano、Keras等等。
• 医学图像：MRI（核磁共振）、CT（断层扫描）等等。
• 公共数据集（脑部分割）：BraTS、Isles、mTOP、MSSEG、NeoBrainS12、MRBrainS
• 深度学习方法：图像预处理 + 深度学习模型 + 后处理。
• 评估方法：Dice系数，Sensiticity（敏感性），Specificity（特异性），真、假阳性，真、假阴性 等等。

本系列，基本使用PyTorch + MRI + BraTS dataset + Deep Learning。

背景知识

- PyTorch

深度学习框架，不多赘述。直接安装，打开 PyTorch官网 ，首页下方。

安装按照自己的操作系统、CUDA版本、安装工具（pip、conda）；注意：安装时，要考虑自己使用训练的电脑的配置情况，选择跟显卡型号和显卡驱动相配的CUDA版本，然后再对应相应的PyTorch版本。建议，先去Nvidia官网下载与显卡硬件适配的驱动（如果没有驱动的话），然后去Nvidia CUDA网站，下载相应版本的CUDA，最后再安装PyTorch。

CUDA是在这里用来跑高密度并行程序，通俗的来讲，就是把在CPU上计算的程序代码，放到显卡（GPU）上计算，GPU的计算能力要比CPU强大的多，尤其是在深度学习中高密度的矩阵计算。

这里的环境搭建可能会比较繁琐，如果出现版本不相配的情况，请多次尝试其他版本。

PyTorch安装反而比较简单，在控制台输入上图Run This Command中的指令就可以安装了。安装后还需要测试一下PyTorch能不能使用CUDA进行GPU计算，写一个简短的代码就可以测试。

import torch

print(torch.cuda.is_available())

# 如果输出True，则表示CUDA可以正常使用
# 如果输出False，那么还需要检查这一步出现的问题

一般不推荐使用自己的电脑训练程序，比如博主使用Mac笔记本进行写代码，然后上传到服务器（3台8 * 2080Ti）进行训练。为什么呢？因为一般训练时间都比较长，比如一次实验要跑好几天才能完成，如果用自己电脑运行程序，风扇太响不说，还不安全，如果散热不充足还容易起火；再加上万一出现断电的现象，简直崩溃；电脑还会很卡。

- 医学图像

核磁共振图像（MRI）是最常见的，当然在计算机里一张图像是以一定的文件格式出现的，大部分为.nii.gz，图像在程序里其实就是一种矩阵。

这种格式的图像图和访问呢？需要一个Python库—nibabel。使用pip、conda都可以安装，pip或pip3为例：

pip3 install nibabel
# 嫌安装慢或者加个速
pip3 install n