3D CT分割数据处理

Posted 2023-03-09

参考技术A 写在前面（废话）：忍不住想要说一下，关于3D的数据到底该怎么处理，patch怎么选取，overlap是啥，他们到底怎么组合，为啥3D数据是个立方体，为啥可以都是128....困扰了我好几天，一度觉得可能找不到了，我要完了。。。终于在2，3天后算是有了答案，所以说，没有什么答案是百度不到的，如果有，那就是没有百到位。

主要参考了 3D UNet pythorch版 和 3D Unet Keras版 ，发现数据大小为（128，128，128）或者（144，144，144），这是因为它们的数据是脑部RMI，要下图中灰色部分为脑部区域，黑色则为背景，背景信息在整幅图像中的比例较大，所以要进行裁切。原始图片大小为（240，240，155），经过裁切后得到立方体式数据。

当然是越大越好，之前在知网上看到一篇，8G显存，patch大小为（160，160，72）可以参考一下。

训练数据的预处理是舍弃没有病灶的分块的(减少类别不均衡),且采用的有重叠的方式进行滑窗;
测试数据的预处理是保留所有的分块的(考验泛化),且不采用重叠方式进行滑窗。

一般选取patch大小的二分之一或者三分之一作为滑动步长，然后根据训练的测试结果进行调整，在分割精度和测试时间中进行平衡。当然这和具体的数据集也有很大关系，需要不断实验找到一个比较好的步长参数。

参考链接：
(3D网络)医学三维数据且又多模态多标签该如何预处理
请问医学影像分割中，取patch操作大概以多少像素点为步长较为合适? - MissLikeWind的回答 - 知乎
3D 医学图像分割中, 应当怎样进行预处理, resize还是patch-based?
在深度学习的方法下，如何处理实际应用中图片分辨率过高的问题？
图像分割：3D Unet网络性能一定优于2D Unet吗，如果优于，为什么优于？ - 张良怀的回答 - 知乎
通过对降低分辨率和裁剪后的图像训练得到的3D Unet网络能否直接分割原图像？