今天将分享腹部多器官的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。
在前面的文章中已经分享过13类器官分割的方法，腹部多器官分割挑战赛，今天将采用另外一种预处理的方式来进行分割。
一、图像分析与预处理
（1）、腹部多器官数据由50例腹部CT扫描构成。50个扫描期间具有可变容积的大小（512×512×85 - 512×512×198）门静脉造影相捕获的视野大小（约280 X 280 X 280毫米。3 - 500×500×650毫米3） 。面内分辨率从0.54 x 0.54 mm 2到0.98 x 0.98 mm 2不等，而切片厚度的范围从2.5 mm到5.0 mm。腹部十三个器官由两名经验丰富的大学生手工标记，并由放射科医生进行了体积验证，包括：（1）脾，（2）右肾，（3）左肾，（4）胆囊，（5）食道，（6）肝脏，（7）胃，（8）主动脉，（9）下腔静脉，（10）门静脉和脾静脉，（11）胰腺，（12）右肾上腺，（13）左肾上腺。在标签图像中，一些患者可能没有（2）右肾或（4）胆囊。数据可以点击原文链接下。
（2）、采用简单粗暴的方式来处理数据，由于训练的显卡是1080ti的11G显存的，所以首先将训练原始图像和标注图像进行图像大小缩放到固定大小，具体是128x128x96，如果你的显卡显存足够大的话，可以将该大小改的大一点，如果显存小的话，可以将该大小改小一点。
（3）、对缩放后的原始图像进行窗宽窗位设置，将0到500之间的Hu值进行保留，其他的范围进行截断处理。
（4）、然后在采用均值为0，方差为1的方式对原始图像进行归一化处理。
（5）、为了防止模型过拟合，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50倍。
二、分割网络
（1）、搭建VNet3d模型，网络输入大小是（128，128，96）。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
（3）、训练损失函数和精度结果如下所示。
三、测试数据结果
首先将输入图像统一缩放到（128，128，96），设置窗宽窗位（0，500），并采用均值为0，方差为1的方式归一化，然后输入到网络中预测，最后将结果恢复到原始图像大小。下面是10例测试数据分割结果。
