Kaggle——超声八大组织分割挑战赛今天将分享超声图像八大组织多类分割的完整实现过程，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。
一、超声图像分析与预处理
（1）、633张超声原始数据和标注数据可以在官网上下载获取到。测试数据一共有293张数据和标注数据，也可以在官网上下载了。标注的八大组织标签：紫色=肝，黄色=肾，蓝色=胰腺，红色=血管，浅蓝色=肾上腺，绿色=胆囊，白色=骨头，粉红色=脾脏。
（2）、由于原始数据大小不一样，这里对图像做统一大小设置，都设置成448x448的大小。
（3）、标注图像是彩色的图像，为了方便训练，按照数字排序给予每个颜色对应标签，0是背景，1是肝，2是肾，3是胰腺，4是血管，5是肾上腺，6是胆囊，7是骨头，8是脾脏。
（4）、为了增加模型鲁棒性，还增加了数据增强的处理过程，采用旋转，平移，翻转等方法对图像和标注数据同时进行扩充处理，这里扩充了20倍。
（5）、原始图像和金标准Mask图像的预处理还需要做归一化操作，统一都归一化到（0，1）。
二、分割网络
（1）、搭建VNet2d模型，网络输入大小是（448，448）。具体实现可以参考Tensorflow入门教程（十九）——基于VNet的前列腺分割案例。
（2）、loss采用的是多分类的focalloss函数。具体实现可以参考Tensorflow入门教程（三十五）——常用多类图像分割损失函数。
三、测试数据结果
输入图像统一缩放到（448，448），归一化到0-1，输入到网络中预测，再将结果缩放到原始图像大小，最后将灰度Mask结果转换成彩色Mask结果。如下图所示是部分分割效果图，左图是原始超声图像，中间图像是金标准Mask图像，右边是预测Mask图像。
左：原始超声图像，中：金标准Mask图像，右：网络预测Mask图像
左：原始超声图像，中：金标准Mask图像，右：网络预测Mask图像
左：原始超声图像，中：金标准Mask图像，右：网络预测Mask图像
左：原始超声图像，中：金标准Mask图像，右：网络预测Mask图像为了方便大家更高效地学习，后期会将相关项目代码更新到github上，点击原文链接即可访问官方比赛网址，可以直接下载训练和测试数据。
如果大家觉得这个项目还不错，希望大家给个Star并Fork，可以让更多的人学习。如果有任何问题，随时给我留言我会及时回复的。
