【深度学习】一个应用—肝脏CT图像自动分割（术前评估）

【深度学习】一个应用—肝脏CT图像自动分割（术前评估）

文章目录 1 目标 2 数据集 3 LITS2017 3.1 LiTS数据的预处理 3.2 LiTS数据的读取 3.3 数据增强 3.4 数据存储 4 U-Net3d搭建 5 结果 1 目标

分割出CT腹部图像的肝脏区域。

2 数据集 肝脏和肿瘤分割数据集下载链接 LiTS2017：https://competitions.codalab.org/competitions/17094#participate 3D-IRCADb 01：https://www.ircad.fr/research/3d-ircadb-01/ SLIVER07：https://sliver07.grand-challenge.org/Download/#signin LiTS2017和SLIVER07需要账号才能下载。

肝脏分割数据集，训练集一共有400张肝脏CT图像以及对应的分割模板，验证集一共有20张肝脏CT图像以及对应的分割模板，如下图所示

PATIENT_DICOM利用软件展示效果如下：一个dcm文件包含129张切片。 MASKS_DICOM下的liver分割图效果如下：

3 LITS2017

数据集的train集合一共130个样例，都为nii格式，原始CT数据为volume-*.nii，分割的ground truth为segmentation-0.nii，其中0为背景，1为肝脏，2为肿瘤，但是并不是每个样例里边都含有肿瘤

3.1 LiTS数据的预处理

在这里使用了这个源代码进行，找到包含肝脏或者肿瘤的slice，然后上下取n片，作为训练集合

def fix_data(self): upper = 200 lower = -200 expand_slice = 20 # 轴向上向外扩张的slice数量 size = 48 # 取样的slice数量 stride = 3 # 取样的步长 down_scale = 0.5 slice_thickness = 2 for ct_file in os.listdir(self.row_root_path + data/): print(ct_file) # 将CT和金标准入读内存 ct = sitk.ReadImage(os.path.join(self.row_root_path + data/, ct_file), sitk.sitkInt16) ct_array = sitk.GetArrayFromImage(ct) seg = sitk.ReadImage(os.path.join(self.row_root_path + label/, ct_file.replace(volume, segmentation)), sitk.sitkInt8) seg_array = sitk.GetArrayFromImage(seg) print(ct_array.shape, seg_array.shape) # 将金标准中肝脏和肝肿瘤的标签融合为一个 seg_array[seg_array > 0] = 1 # 将灰度值在阈值之外的截断掉 ct_array[ct_array > upper] = upper ct_array[ct_array < lower] = lower # 找到肝脏区域开始和结束的slice，并各向外扩张 z = np.any(seg_array, axis=(1, 2)) start_slice, end_slice = np.where(z)[0][[0, -1]] # 两个方向上各扩张个slice if start_slice – expand_slice < 0: start_slice = 0 else: start_slice -= expand_slice if end_slice + expand_slice >= seg_array.shape[0]: end_slice = seg_array.shape[0] – 1 else: end_slice += expand_slice print(str(start_slice) + — + str(end_slice)) # 如果这时候剩下的slice数量不足size，直接放弃，这样的数据很少 if end_slice – start_slice + 1 < size: print(!!!!!!!!!!!!!!!!) print(ct_file, too little slice) print(!!!!!!!!!!!!!!!!) continue ct_array = ct_array[start_slice:end_slice + 1, :, :] seg_array = sitk.GetArrayFromImage(seg) seg_array = seg_array[start_slice:end_slice + 1, :, :] new_ct = sitk.GetImageFromArray(ct_array) new_seg = sitk.GetImageFromArray(seg_array) sitk.WriteImage(new_ct, os.path.join(self.data_root_path + data/, ct_file)) sitk.WriteImage(new_seg, os.path.join(self.data_root_path + label/, ct_file.replace(volume, segmentation)))

将ct值转化为标准的hu值 直方图均衡化 窗口化操作 归一化 仅提取腹部所有切片中包含了肝脏的那些切片，其余的不要

#part2 # 接part1 images = get_pixels_hu(image_slices) images = transform_ctdata(images,500,150) start,end = getRangImageDepth(livers) images = clahe_equalized(images,start,end) images /= 255. # 仅提取腹部所有切片中包含了肝脏的那些切片，其余的不要 total = (end – 4) – (start+4) +1 print(“%d person, total slices %d”%(i,total)) # 首和尾目标区域都太小，舍弃 images = images[start+5:end-5] print(“%d person, images.shape:(%d,)”%(i,images.shape[0])) livers[livers>0] = 1 livers = livers[start+5:end-5] def clahe_equalized(imgs,start,end): assert (len(imgs.shape)==3) #3D arrays #create a CLAHE object (Arguments are optional). clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) imgs_equalized = np.empty(imgs.shape) for i in range(start, end+1): imgs_equalized[i,:,:] = clahe.apply(np.array(imgs[i,:,:], dtype = np.uint8)) return imgs_equalized

3.2 LiTS数据的读取

首先是将130个数据随机分为训练集(0.8)和验证集(0.1)和测试集(0.1)

1、读取volume和segmentation

2、进行scale，将分辨率压缩

3、每个样例随机截取n个(depth,height,width)大小的3维块作为一个输入的batch

4、数据归一化到0-1

5、将读取函数包装为dataset、dataloader

使用的时候主要使用了以下函数

def next_train_batch_3d_sub_by_index(self, train_batch_size, crop_size, index,resize_scale=1): train_imgs = np.zeros([train_batch_size, crop_size[0], crop_size[1], crop_size[2], 1]) train_labels = np.zeros([train_batch_size, crop_size[0], crop_size[1], crop_size[2], self.n_labels]) img, label = self.get_np_data_3d(self.train_name_list[index],resize_scale=resize_scale) for i in range(train_batch_size): sub_img, sub_label = util.random_crop_3d(img, label, crop_size) sub_img = sub_img[:, :, :, np.newaxis] sub_label_onehot = make_one_hot_3d(sub_label, self.n_labels) train_imgs[i] = sub_img train_labels[i] = sub_label_onehot return train_imgs, train_labels

3.3 数据增强

利用keras的数据增强接口，可以实现分割问题的数据增强。一般的增强是分类问题，这种情况，只需要对image变形，label保持不变。但分割问题，就需要image和mask进行同样的变形处理。具体怎么实现，参考下面代码，注意种子设定成一样的。

3.4 数据存储

一般而言，数据量较大的话，都会先将原始数据库的东西转化为np或者h5格式的文件，我感觉这样有两个好处，一是真正输入网络训练的时候io量会大大减少(特别是h5很适用于大的数据库）,二是数据分享或者上传至服务器时也方便一点。

实验中会出现两个类，分别是写h5和读h5文件的辅助类： 这读文件的类写成了generator，这样可以结合训练网络时，keras的fit_generator来使用，降低内存开销。

4 U-Net3d搭建

这里其实没什么好讲的，主要使用几个模块，resblock，seblock，RecombinationBlock、denseBlock等，然后上采样方式可以选是线性插值或者是deconv

class UNet(nn.Module): def __init__(self, in_channels, filter_num_list, class_num, conv_block=RecombinationBlock, net_mode=2d): super(UNet, self).__init__() if net_mode == 2d: conv = nn.Conv2d elif net_mode == 3d: conv = nn.Conv3d else: conv = None self.inc = conv(in_channels, 16, 1) # down self.down1 = Down(16, filter_num_list[0], conv_block=conv_block, net_mode=net_mode) self.down2 = Down(filter_num_list[0], filter_num_list[1], conv_block=conv_block, net_mode=net_mode) self.down3 = Down(filter_num_list[1], filter_num_list[2], conv_block=conv_block, net_mode=net_mode) self.down4 = Down(filter_num_list[2], filter_num_list[3], conv_block=conv_block, net_mode=net_mode) self.bridge = conv_block(filter_num_list[3], filter_num_list[4], net_mode=net_mode) # up self.up1 = Up(filter_num_list[4], filter_num_list[3], filter_num_list[3], conv_block=conv_block, net_mode=net_mode) self.up2 = Up(filter_num_list[3], filter_num_list[2], filter_num_list[2], conv_block=conv_block, net_mode=net_mode) self.up3 = Up(filter_num_list[2], filter_num_list[1], filter_num_list[1], conv_block=conv_block, net_mode=net_mode) self.up4 = Up(filter_num_list[1], filter_num_list[0], filter_num_list[0], conv_block=conv_block, net_mode=net_mode) self.class_conv = conv(filter_num_list[0], class_num, 1) def forward(self, input): x = input x = self.inc(x) conv1, x = self.down1(x) conv2, x = self.down2(x) conv3, x = self.down3(x) conv4, x = self.down4(x) x = self.bridge(x) x = self.up1(x, conv4) x = self.up2(x, conv3) x = self.up3(x, conv2) x = self.up4(x, conv1) x = self.class_conv(x) x = nn.Softmax(1)(x) return x 5 结果

绿色轮廓为真实分割结果，红色轮廓为预测分割结果