关于深度学习在MRI疾病鉴别的流程

@[TOC]关于深度学习在MRI疾病鉴别的流程

关于深度学习在MRI疾病鉴别的流程

日记篇：今天完成了对论文的修改，项目是用深度学习进行三种脑部肿瘤的诊断，今天没有技术分享只有经验（比较水）后续等论文发表会出技术篇和相关代码，可能对于刚接触这一领域无从下手项目的同学有一定的启发作用（例如一年前的我）。

1.数据集获取

我们的数据是来自两个，我收到的数组是dicom格式的三种疾病的MRI数据和NIFTI格式的肿瘤区域的分割标签（label)。医生在ITK-SNAP软件上进行病灶区域勾画。dicom格式是医学图像存储的国际标准格式，大部分医院的数据都是以dicom格式存储。MRI图像包含多组系列，从上到下，从前到后，从左到右的都可以扫描，此外，为了更清楚的看到病灶区域，通过像脑部注入造影剂来增强病灶区域，使得医生更容易观察。所以对MRI来说，是有多个系列的，多模态的用来提高分类或分割准确率是比较好的方式，但是在收集数据时，我并没有参与，医院那边也并不清楚需要什么样的数据，就在病灶区域最清楚的一组系列上，进行了勾画。对于不同病人来说，可能最清楚的不是固定序列，由于收集到的序列并不全，我们只能用勾画的MRI那个作为我们分类的原始数据，此外医生勾画出的病灶区域也对我产生了困扰，因为分类任务中并不需要分割标签，当然转化成目标检测任务是能用到的。NIFTI格式是3D格式，一般使用3D网络进行分类或分割都需要将2D dicom格式转化为3D的NIFTI格式。python有相关的库可以转化，我为了同时观察病灶直接使用了ubuntu系统下的slicer软件进行转化。
（未完待续，太晚了今天先到这）