中科院医工所工作笔记：数据量少多分割问题

面对标注数据量非常少（影像科医生是稀有资源）的多分类问题

先放出代码
https://github.com/caihaihua057200/Inf-Net
引用一篇大佬的论文
论文中文版http://dpfan.net/wp-content/uploads/TMI20_InfNet_Chinese_Finalv2.pdf

Inf-Net: Automatic COVID-19 Lung Infection Segmentation From CT Images

这篇论文被IEEE收录并且置顶，最良心的是作者放出代码。

论文灵感：
源于临床医生在肺部感染检测过程中，首先对感染区域进行粗略定位，然后根据局部症状准确提取其轮廓。
因此，我们认为区域和边界是区分正常组织和感染的两个关键特征。
因此，我们的网络首先预测粗糙区域（PPD），然后通过反向注意和边界约束引导隐式建模边界，
显式增强边界识别。整个过程大概就这样：

所以根据灵感，作者创造出这个网路

看起来有点复杂，咱们慢慢一步步刨析：

第一步：边缘注意模块

图片进入模型，经过5层卷积，其中前两层为低级特征（边缘信息明显），后三层为高级特征，这样做可以通过连接将所有不同的特征集合在一起。

2、低级特征进入EA模块。

这里作者引用了几个论文，主要就是告诉大家，边缘信息可以优化网络。
对图片求梯度可以得到边缘信息，也可以使用该代码批量获取

import cv2
import numpy as np
import glob

def auto_canny(image, sigma=0.33):
    # Compute the median of the single channel pixel intensities
    v = np.median(image)

    # Apply automatic Canny edge detection using the computed median
    lower = int(max(0, (1.0 - sigma) * v))
    upper = int(min(255, (1.0 + sigma) * v))
    return cv2.Canny(image, lower, upper)

# Read in each image and convert to grayscale
images = [cv2.imread(file,0) for file in glob.glob(r"C:\Users\Admin\SIAT\Inf-Net-master\Dataset\TrainingSet\LungInfection-Train\Doctor-label\GT/*.png")]

# Iterate through each image, perform edge detection, and save image
number = 0
for image in images:
    canny = auto_canny(image)
    cv2.imwrite('canny_{}.png'.format(number), canny)
    number += 1

第二步：粗略提取模块

刨析一下PPD内部，他使用了RES2的前五层，末尾加上部分解码器

第三步：RA模块，反向注意模块

经过完所有模块之后网络初步完成

这里作者还对LOSS进行了修改，修改如下

第四步：半监督学习

开始训练，因为数据量少，使用半监督学习（随机采样慢慢优化提高鲁棒性）

最后一步：加入多分类模型

加入多分类模型（UNET、UNET++…）

评估指标：

训练结果：

实验证明，该模型在数据少的情况下非常厉害