【Pytorch-ACDC】复现U-Net for Cardiac Segmentation记录

【本文持续更新…】

算法概括

文献链接:U-Net: Convolutional Networks for Biomedical Image Segmentation
开源项目链接：U-Net on ACDC dataset

U-Net结构示意

结构： U-Net具有简单的网络结构，前、后两部分通常被称为”编码器“和”解码器“，因其类似于大写的英文字母U的整体结构，故得名U-Net。
特点： U-Net的独特之处在于特征融合的方式，即将特征在Channel维度拼接在一起，形成更厚的特征。

使用数据集-ACDC

简介：Automated Cardiac Diagnosis Challenge

本次比赛的目的是比较自动方法对五类检查（正常病例、心力衰竭伴梗死、扩张型心肌病、肥厚型心肌病、右心室异常）的分类性能。 相应的数据库由 150 名患者组成，这些患者具有在临床常规中获得的 3D 电影-MR 数据集。 训练数据集涉及 100 名患者，而测试数据集由随机选择的 50 名患者组成，其中每种病理均等表示。

数据构成

该研究的目标人群由 150 名患者组成，分为以下 5 个亚组：

1. 30 名正常受试者 - NOR
2. 30 例既往心肌梗死患者（左心室射血分数低于 40% 和几个心肌节段异常收缩） - MINF
3. 30 例扩张型心肌病患者（舒张期左心室容积 >100 mL/m 2且左心室射血分数低于 40%） - DCM
4. 30 例肥厚型心肌病患者（左心室心脏质量高于 110 g/m 2，几个心肌节段舒张期厚度高于 15 mm，射血分数正常） - HCM
5. 30例右心室异常（右心室腔容积高于110 mL/m 2或右心室射血分数低于40%）- RV

PS：每组根据生理参数明确定义，如左或右舒张量或射血分数、左室局部收缩、左室质量和心肌最大厚度。

规则定义

标签由两位具有10年以上临床经验的专家共同标注、修改，达成共识后定义以规则如下：

1. 必须覆盖左右心室（根据现有数据）；
2. 乳头肌包含在左腔内；
3. 在 LV 基底平面处没有肌肉插补（The轮廓遵循主动脉瓣定义的限制）；
4. 漏斗部不包括在右腔内（必须看到明显的分离）。

此外，创建了Groundtruth 标签场图像，其中 0、1、2 和 3 代表位于背景、RV 腔、心肌和 LV 腔中的体素。

术语&符号说明

ED：End-Diastole，舒张末期
ES：End-Systole，收缩末期
EDV：End-Diastolic Volume，舒张末期容积
ESV：End-Systolic Volume，收缩末期容积

实验过程

数据预处理

python dataset_utils.py -i INPUT_FOLDER -out2d OUTPUT_FOLDER_FOR_2D_DATA -out3d OUTPUT_FOLDER_FOR_3D_DATA

• INPUT_FOLDER:存放原始训练数据的路径
• OUTPUT_FOLDER_FOR_2D_DATA: 存放预处理后2D训练数据的路径
• OUTPUT_FOLDER_FOR_3D_DATA:存放预处理后3D训练数据的路径

运行过后，在对应路径下将出现后缀为.npy的数据文件，包括训练集的100个文件和测试集的50个文件。

补充知识

三种图像分割类型

1. 语义分割：分类对象为图像上的所有像素点；
2. 实例分割：精确到物体边缘的分割，在图中标注一类物体；
3. 全景分割：检测图像中的所有物体，并对其进行分割。

simpleITK

cv2保存图片全黑问题

cv2.imwrite()会将原图片从0-255范围标准化至0-1范围，只需要修改imwrite的输入即可：

cv2.imwrite('demo.png', image*255)