@[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)