【源码】基于三维深度学习的肺肿瘤分割

深度学习是分割复杂医学图像的有力手段。

Deep Learning is powerful approach to segment complex medical image.

这个例子展示了如何创建、训练和评估一个V-Net网络，以便从三维医学图像中执行三维肺肿瘤分割。

This example shows how to create, train and evaluate a V-Net network to perform 3-D lung tumor segmentation from 3-D medical images.

训练网络的步骤包括：

下载并预处理训练数据。

The steps to train the network include:

・Download and preprocess the training data.

创建一个randomPatchExtractionDatastore，将训练数据提供给网络。

・Create a randomPatchExtractionDatastore that feeds training data to the network.

定义V-Net网络的各层。

・Define the layers of the V-Net network.

给定训练选项。

・Specify training options.

使用trainNetwork函数训练网络。

・Train the network using the trainNetwork function.

在对V-Net网络进行训练后，本示例进行语义分割。

After training the V-Net network, the example performs semantic segmentation.

该示例通过与参考真值分割的视觉比较和测量预测与参考真值分割之间的Dice相似系数来评估分割效果。

The example evaluates the predicted segmentation by a visual comparison to the ground truth segmentation and by measuring the Dice similarity coefficient between the predicted and ground truth segmentation.

[Japanese] 医用画像処理において、Deep Learningは非常に強力なアプローチの一つです。

本デモでは、3-D医用画像(ボリュームデータ)からの肺腫瘍のセマンティックセグメンテーション例をご紹介します。

利用するネットワークはV-Netで、V-Netの作成、学習と評価までの流れでご紹介します。

V-Netを学習させるまでの手順は以下の通りとなります。

・学習用データのダウンロードと前処理

・randomPatchExtractionDatastoreの作成

・V-Netの定義

・学習オプションの指定

・trainNetwork関数によるV-Netの学習

V-Netを学習した後、予め分割しておいたテストデータに対してセマンティックセグメンテーションを行い、結果の評価を行います。結果の可視化と、Dice類似係数による定量評価を行います。

[Keyward] 画像処理・セグメンテーション・3次元・3-D・ディープラーニング・DeepLearning・デモ・IPCVデモ

・ニューラルネットワーク・医用画像

更多精彩文章请关注公众号：