如何使用PaddleSeg 2.0快速测量心胸比？

冯嘉骏，毕业于广州医科大学医学影像技术专业，就职于广州市第一人民医院南沙医院。

项目背景

放射科医生下诊断之前，都需要花费不少时间在医学影像图像上，测量各种数据指标，从而更好地判断患者的病情。这篇文章主要介绍PaddleSeg 2.0在X线胸片上的应用，即如何使用PaddleSeg 2.0快速测量心胸比。

心胸比指的是X线胸片上心脏的横径（左、右心缘至体中线的最大距离之和）与胸廓横径（通过右膈肌顶水平胸廓内径）的比例（如图1），这是确定心脏是否有增大的最简方法。正常值女性约为0.45，男性约为0.43，大于0.5即被认为有心脏扩大的可能。

图1

目前，心胸比需要通过医生手动测量和计算得出。但是人们可以使用飞桨PaddleSeg 2.0开发工具，实现自动快速测量心胸比。

PaddleSeg是飞桨图像分割套件。2020年12月18日，PaddleSeg发布了2.0.0rc的动态图版本。通过模块化的设计，其提供了配置化驱动和API调用等两种方式，可以更便捷地完成训练到部署的开发流程。

此项目使用PaddleSeg封装的Unet网络结构，分割胸片上的肺部和心脏。最终，肺部和心脏分割结果分别达到了0.978和0.955的准确率。然后，我们将通过OpenCV分别获取肺部和心脏mask外界矩，并进行计算得到心胸比。

项目在AI Studio上已经公开，并提供了数据集在内的完整路径。Fork之后可以直接运行，相关链接为：

https://aistudio.baidu.com/aistudio/projectdetail/1438719

https://github.com/paddlepaddle/paddleseg

最终效果如图2：

图2

网络结构介绍

此项目使用PaddleSeg 的API接口，进行数据增强、Loss、和训练和推理，本文主要针对以上步骤进行介绍。

现在，我们将简单介绍项目中用到的网络结构Unet（如图3）。由于人体内部结构相对固定，生成的医学图像内容分布相对规律，加上医学图像边界模糊，且数据集一般都比较小，对分割结果还要求准确，使用网络结构Unet是个不错的选择。

网络结构Unet是结合了低分辨率和高分辨率信息的分割网络，在医学图像分割中表现出很好的性能。PaddleSeg 2.0已经封装Unet和高质量预训练模型，提供API接口（paddleseg.models），调用并设置类别数量即可。

图3

from paddleseg.models import UNet
pretrained = '/home/aistudio/work/model.pdparams'
model = UNet(num_classes=3,pretrained=pretrained)

数据处理和增强

我们从公开SIIM气胸数据集中选择101张胸片，图片格式为“jpg”，作为此次项目的数据集。我们需要对图像进行再次标注肺部和心脏，因为标注的结果文件是nii格式文件，ct值0代表背景，2值代表是肺部，3值代表是心脏。使用nibabel读取并转换成“jpg”格式。由于数据集数据不多，容易过拟合。针对这个此问题，我们将采用数据增强策略。

结合实际情况，疾病可能会导致获取的胸片肺部部分出现白色致密度影，同时，拍摄角度旋转、对比度和明亮度的差异，也会影响胸片呈现。因此，我们采用随机水平翻转、小角度随机旋转、随机模糊、随机对比度、明亮度等策略。通过PaddleSeg的数据增强API(paddleseg.transform)，可以快速实现。

import paddleseg.transforms as Ttrain_transforms = [
    T.RandomHorizontalFlip(),
    T.RandomDistort(),
    T.RandomRotation(max_rotation = 10,im_padding_value =(0,0,0),label_padding_value = 0),
    T.RandomBlur(),
    T.RandomScaleAspect(min_scale = 0.8, aspect_ratio = 0.5),
    T.Resize(target_size=(512, 512)),
    T.Normalize()
]

图4

训练之前，需要通过API（paddleseg.datasets）快速构建可迭代的训练数据装载器和验证集/测试集数据装载器。只需要传入包含origin和label文件路径的train.txt文件、数据增强策略、分类类别数量和数据装载器类型，即可构建高效的数据装载器。

from paddleseg.datasets import Dataset
train_dataset = Dataset(transforms = train_transforms,
                        dataset_root = dataset_root,
                        num_classes = num_classes,
                        train_path = train_path,
                        mode = 'train')

开始训练前，还需要定义损失函数，PaddleSeg提供多种损失函数的选择。只需要通过API（paddleseg.models.losses）调用就能实现。在这里，我们简单对比了单独使用交叉熵和使用“交叉熵+Dice”的效果，发现使用“交叉熵+Dice”时，IOU提升约1到2点。

from paddleseg.models.losses import CrossEntropyLoss,DiceLoss
losses = {}
losses['types'] = [CrossEntropyLoss(),DiceLoss()]
losses['coef'] = [1,1]

模型训练

PaddleSeg动态图版本开始训练模型只需要一行代码，调用API（paddleseg.core.train）即可开始训练，训练期间还可以通过VisualDL可视化训练期间的Loss、ACC、IOU等结果。比起静态图组网，此种方式大幅度降低了代码量。

train(
    model=model,
    train_dataset=train_dataset,
    val_dataset=val_dataset,
    optimizer=optimizer,
    save_dir='output',
    iters=10000,
    batch_size=4,
    save_interval=200,
    log_iters=10,
    num_workers=0,
    losses=losses,
    use_vdl=True)

而后，我们通过VisualDL进行可视化，得到图5：

图5

推理预测并计算心胸比

PaddleSeg动态图版本和PaddlePaddle动态图版本，能无缝连接。我们可以调用PaddleSeg的API接口（paddleseg.core.predict）进行推理。同样地，我们也可以自定义推理接口，只需要导入PaddleSeg模型，加载最优模型训练结果，设置模型为eval模式，传入需要预测的胸片数据，即可进行推理。

def predict(model, model_path, im_path):
    #预测
    para_state_dict = paddle.load(model_path)
    model.set_dict(para_state_dict)
    model.eval()
    im = cv2.imread(im_path)
    im, _ = transforms(im)
    im = im[np.newaxis, ...]
    im = paddle.to_tensor(im)
    output = model(im)[0]
    output = output.numpy()
    output = np.argmax(output,axis=1)
    output = output.transpose(1,2,0)
    return output

当我们得到模型的推理结果后，通过OpenCV分别获取肺部和心脏的mask结果的最左点、最右点、外边界矩的Width，再找出右膈肌顶的位置，即可计算出此胸部的心胸比，具体实现代码这里不做详细展示，读者可以访问AI Studio项目查看。

#画出肺部的最大横径 和心脏的横径
cv2.line(image,left_heart,(left_heart[0] + int(WidthHeart/2),left_heart[1]),(0,255,0),2)
cv2.line(image,right_heart,(right_heart[0] - int(WidthHeart/2),right_heart[1]),(0,255,0),2)
cv2.line(image,left_chest,(left_chest[0] + WidthChest,left_chest[1]),(0,0,255),2)

总结

通过使用对比改版前的PaddleSeg和如今PaddleSeg动态图版本，大家可以明显感觉代码量的减少，且飞桨越来越Pythonic了。这样的改变可以让开发者更多关注数据本身和开发项目的实际用途。比如，在医疗临床方面上，各种繁琐和重复的工作占用了医生的大部分时间。

欢迎扫码关注：