今天将分享腹部器官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、比赛介绍
腹部器官分割在临床实践中起着重要作用，该比赛是快速和低GPU内存腹部器官分割挑战赛，该挑战赛具有两个主要特征：（1）数据集庞大而多样， 包括来自12个医疗中心的511例病例。（2）不仅关注分割的准确性，而且关注分割的效率，这与实际的临床实践和要求是一致的。
要求参与者开发可同时对肝脏，肾脏，脾脏和胰腺进行分割的分割方法，在此将对准确性和效率进行排名评估
二、数据介绍
在其许可许可下，部分数据集改编自MSD（肝脏，脾脏，胰腺），NIH胰腺和KiTS。我们还提供了一个包含50例来自南京大学的腹部CT病例的隐藏测试仪。注释包括四个器官：肝脏（标签= 1），肾脏（标签= 2），脾脏（标签= 3）和胰腺（标签= 4）。可以看到训练数据与验证数据和测试数据的来源是不同的。
三、技术方案
baseline方案首先采用粗分割网络将腹部四个器官大致分割出来，然后再采用细分割网络再对腹部器官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。
3.1、粗分割
A、数据处理与分析
分析361例训练数据的图像大小，spacing大小，maskROI范围大小，平均大小如下：512，512，126；0.8，0.8，2.47；343，227，99。
B、训练数据生成，将图像和Mask都统一缩放到128x128x96大小，采用窗宽窗位截断（0-200）归一化采用均值方差方式归一化，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3960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
3.2、精分割
A、数据处理与分析
分析361例训练数据的图像大小，spacing大小，maskROI范围大小，平均大小如下：512，512，126；0.8，0.8，2.47；343，227，99。
D、训练数据生成：首先获取其有效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160x112x96大小，采用窗宽窗位截断（0-200）归一化采用均值方差方式归一化，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标签的Mask。
E、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3960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
3.3、级联网络测试结果
首先输入原始图像，缩放到128x128x96大小，采用窗宽窗位截断（0-200）归一化采用均值方差方式归一化，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160x112x96大小，再采用窗宽窗位截断（0-200）归一化采用均值方差方式归一化，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。后处理算法是以第一步结果膨胀2个像素后的mask做为限定第二步结果mask区域，将第二步结果中不在此区域的图像置零处理，进一步降低假阳性。
在361例数据中使用360个来训练，1例用来验证测试。
验证数据上分割结果，可以看到有错误分割和漏分割。
