基于matlab从3D医学图像中对脑肿瘤进行语义分割（附源码）

news2024/11/17 1:29:21

一、前言

此示例演示如何从 3D 医学图像中对脑肿瘤进行语义分割。

语义分割涉及用类标记 3-D 体积的图像或体素中的每个像素。此示例说明了如何使用 3-D U-Net 深度学习网络在磁共振成像（MRI）扫描中对脑肿瘤进行二进制语义分割。U-Net是一个快速，高效和简单的网络，在语义分割领域已经流行[1]。医学图像分割的一个挑战是存储和处理 3D 体积所需的内存量。由于 GPU 资源限制，训练网络并在整个输入卷上执行分段是不切实际的。此示例通过将图像划分为较小的块或块来解决此问题，以进行训练和分割。医学图像分割的第二个挑战是数据中的类不平衡，这在使用传统的交叉熵损失时阻碍了训练。此示例通过使用加权多类骰子损失函数 [4] 解决了该问题。对类进行加权有助于抵消较大区域对骰子分数的影响，使网络更容易学习如何分割较小的区域。此示例演示如何使用预训练的 3-D U-Net 架构执行脑肿瘤分割，以及如何使用一组测试图像评估网络性能。您可以选择在 BraTS 数据集 [3] 上训练 2-D U-Net。

二、使用预训练的 3-D U-Net 进行脑肿瘤分割

2.1下载预训练 3-D U-Net

将预训练的 3-D U-Net 下载到名为的变量中。

2.2 下载 BraTS 示例数据

使用辅助函数 [3] 从 BraTS 数据集下载五个样本测试体积及其相应的标签。帮助程序函数作为支持文件附加到示例。示例数据使您能够对测试数据执行分段，而无需下载完整的数据集。加载其中一个体积样本及其像素标签基本事实。

2.3 执行语义分割

该示例使用重叠平铺策略来处理大型卷。重叠平铺策略选择重叠块，使用 semanticseg 函数预测每个块的标签，然后将块重新组合成一个完整的分段测试卷。该策略可在内存资源有限的 GPU 上实现高效处理。该策略还通过使用神经网络中卷积的有效部分来减少边界伪影 [5]。通过将体积数据存储为块图像对象并使用 apply 函数处理块来实现重叠平铺策略。为上一节中下载的示例卷创建一个对象。

将块大小指定为网络输出大小。要创建重叠块，请指定非零边框大小。此示例使用的边框大小使块加上边框与网络输入大小匹配。使用将部分块填充设置为执行语义分割。默认填充方法是合适的，因为卷数据包含多种形式。批大小指定为 1，以防止内存资源受限的 GPU 出现内存不足错误。但是，如果您的 GPU 有足够的内存，那么您可以通过增加块大小来提高进程速度。

显示蒙太奇，显示地面实况的中心切片和沿深度方向的预测标注。