今天将分享胎儿组织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、比赛简介
这项挑战的目的是开发人类胎儿大脑发育的多类分割方法。训练数据将包括80个T2加权胎儿脑重建图像，并带有相应的标签图，该标签图被手动分为7种不同的组织/标签：1外脑脊液，2灰质，3白质，4脑室，5小脑，6深灰质，7脑干。数据是使用1.5T和3T临床GE全身扫描仪（Signa Discovery MR450和MR750）采集的，使用8通道心脏线圈或身体线圈。T2加权单次快速旋转回波序列的面内分辨率为0.5mm x 0.5mm，切片厚度为3至5mm。序列参数如下：TR：2000-3500ms；TE：120毫秒（最低）；翻转角度：90°；抽样百分比为55％。根据胎龄和胎儿大小调整以下参数：FOV：200-240 mm；FOV：200-240 mm；FOV：200-240 mm。图像矩阵：1.5T：256x224；3T：320x224。成像平面相对于胎儿脑定向，并获取轴向，冠状和矢状图像。
二、技术方案
首先采用粗分割网络将整个大脑分割出来，然后再采用细分割网络在大脑内部再进行不同组织分割，这样可以减少因为降采样导致的分割误差。
2.1、粗分割
A、数据处理与分析
分析80例数据的图像大小，spacing大小，maskROI范围大小，平均大小如下：256，256，256；0.688，0.688，0.688；108，130，108。
B、训练数据生成
将图像和Mask都统一缩放到128x128x96大小，归一化采用zscore方式归一化，截断小于1%和大于99%的数值，由于Mask数据中又存在异常值，所以重新生成一个只有0，1，2，3，4，5，6，7标签的Mask。
C、数据扩增
为了增加模型泛化性，数据扩充了10倍，随机旋转30度，x，y，z随机平移0.1大小，水平，垂直随机翻转等。
D、搭建二类分割网络结构
网络主体采用的是VNet的网络，损失函数采用的是多类的focalloss，学习率是0.001，droupout是0.5，迭代次数是10epochs，batchsize是1。训练数据一共有825例，优化器是AdamOptimizer。
E、网络训练和预测
训练损失结果和精度结果
2.2、精分割
A、数据处理与分析
分析80例数据的图像大小，spacing大小，maskROI范围大小，平均大小如下：256，256，256；0.688，0.688，0.688；108，130，108。
B、训练数据生成
首先获取Mask，然后获取其有效ROI范围，然后根据ROI从原图和原始Mask中裁切出图像和Mask区域，再将裁切后的图像和Mask缩放到112x128x112大小，归一化采用zscore方式归一化，截断小于1%和大于99%的数值，由于Mask数据中又存在异常值，所以重新生成一个只有0，1，2，3，4，5，6，7标签的Mask。
C、数据扩增
为了增加模型泛化性，数据扩充了10倍，随机旋转30度，x，y，z随机平移0.1大小，水平，垂直随机翻转等。
D、搭建二类分割网络结构
网络主体采用的是VNet的网络，损失函数采用的是多类的focalloss，学习率是0.001，droupout是0.5，迭代次数是10epochs，batchsize是1。训练数据一共有825例，优化器是AdamOptimizer。
E、网络训练和预测
训练损失结果和精度结果
2.3、级联网络测试结果
首先输入原始图像，缩放到128x128x96大小，使用zscore进行归一化，输入到粗分割网络中去，分割得到第一步Mask，再获取Mask的ROI区域范围，从原始图像中裁切出ROI图像，再缩放到112x128x112大小，再使用zscore进行归一化，输入到第二个网络中去分割，最后将分割的结果恢复到原始图像大小。如下图所示，左边是金标准结果，右边是网络预测结果。
