jupyter分割代码块_3DUnet医学分割速成-MONAI

MONAI是基于PyTorch的开源框架，用于医疗影像的深度学习领域。本文示范3D的脾脏分割，提供数据集和jupyter代码。

我找了好久类似的分割例程，还是MONAI最贴心最清晰，半天就出结果了，可以在jupyter notebook 里面看到分割的结果和手工标注的label的比较。

1. 安装： pip install monai

2. 代码&数据：

3. 对于数据的载入和预处理

3.1 首先注意数据路径，data_root要改成你自己的路径

3.2 目前MONAI只适用于Nifti格式的文件，Nrrd格式需要自行转换为nii/nii.gz 格式.(格式转换这个问题困惑了我好久，因为我们实验室只有nrrd格式的数据。最后使用sitk解决了这个问题。)

3.3 注意transform里面的重采样间隔[1.5,1.5,2]，和sitk.GetSpacing的X.Y.Z的顺序不一样。例如：我的数据sitk.GetSpacing的间隔是：[0.7,0.7,2.5]，但是在MONAI这里要设置成[0.7,2.5,0.7]

3.4 MONAI贴心的设计了 ScaleIntensityRanged，可以把CT里面的HU值限制在(-57,164)之间并标准化到(0,1)。因为脾脏的HU值在(50,70)之间，所以(-57,164)以外的HU值就不考虑了，我的liver分割设置到了(-100,200)。

3.5 这个功能要慎用，CropForegroundd(keys=['image', 'label'], source_key='image')。它直接把你CT的空白部分去掉了，造成CT的size变化。如果你想让分割的结果再重叠到原CT，这个功能就禁用了吧。

3.6 注意train_transforms 和val_transforms 的超参数要一致。

3.7 注意不要一次性载入太多数据train_loader到你的GPU，进程会被killed

4. 对于神经网络架构的理解

这个Unet居然用了残差结构和DiceLoss，整的有点像Vnet了，厉害厉害。DiceLoss就是把Dice这个metric放进了反向传播算法来更新参数。残差，我还没弄懂，哪个大神下场教一下我？

5. 分割结果的展示和导出

这个例程对分割结果的展示做的很好，一行的图像展示了CT/label/Segmentation，可是分割结果没提供导出的功能啊，看得到摸不到欸。

我自己写了一个代码，把分割生成的array导出成nii/nrrd文件，这样就可以用slicer观看3D观感下的分割性能。用sitk resample到CT的spacing/origin/direction，然后写成nii/nrrd文件就可以了。注意numpy.array的XYZ轴的顺序和Sitk.GetArray是不一样的,需要转一下顺序：

seg_array = np.transpose(seg_array,(2,1,0))

还有挺神奇的一点是，MONAI提供的CT和segmentation导出是可以直接map到一起的。但是我的CT和segmentation导出来居然方向是不对的，需要再让segmentation转一下：

seg_array = np.rot90(seg_array, axes=(1,2))

seg_array = np.rot90(seg_array, axes=(1,2))

希望MONAI能画出来这个model的结构，再把niftynet里面的dense-Vnet拿过来就好了。

Ref: https://github.com/Project-MONAI/Tutorials/blob/master/spleen_segmentation_3d.ipynb