今天将分享多中心，多供应商和多种疾病的心脏图像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、图像分析与预处理
（1）、数据集来源于多中心，多供应商和多疾病心脏图像分割挑战赛。由375名肥厚性和扩张型心肌病患者以及健康受试者组成。使用四个不同供应商（西门子，通用电气，飞利浦和佳能）的磁共振扫描仪，分别在三个不同国家（西班牙，德国和加拿大）的临床中心对所有受试者进行了扫描。
训练集包含来自两个不同MRI供应商的150个带标注的图像（每个75个），和来自第三供应商的25个未带标注的图像。由来自各个机构经验丰富的临床医生对CMR图像进行了分割，包括左（LV）和右心室（RV）血池以及左心室心肌（MYO）的轮廓。标签为：0（背景），1（LV），2（MYO）和3（RV）。
（2）、所用的MRI图像是心脏电影成像序列，是带时间维度的三维心脏图像。下面是一个心脏电影成像序列的部分效果图，如下图所示。
但是心脏标注数据不是在所有的时间维度上都有的，所以我们首先需要把带有心脏标注的3维图像和Mask提取出来，用来进行下一步分析。
（3）、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224x224x32，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。
（4）、对缩放后的原始图像进行异常值截断处理，将95%以上的灰度值和5%以下的灰度值进行截断。
（5）、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。
（6）、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10倍。
二、分割网络
（1）、搭建VNet3d模型，网络输入大小是（224, 224, 32，1），输出大小是（224, 224, 32，1）。
（2）、loss采用的是多分类的focalloss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
输入图像统一缩放到（224, 224, 32），设置截断范围（5%，95%），再采用均值为0，方差为1的方式对多序列图像进行归一化，输入到网络中预测，最后将结果缩放到原始图像大小。下面是10例验证数据分割结果，左边是金标准结果，右边是预测结果。
下面是1例测试心脏电影成像分割结果，显示了不同时刻的预测结果。
