今天将分享前列腺子区域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Prostate MR Image Segmentation 2012分割挑战赛的文章，Tensorflow入门教程(二十三）——前列腺分割比赛top9之路，Tensorflow入门教程(二十）——基于VNet3D的前列腺分割案例，Tensorflow入门教程（十九）——基于VNet的前列腺分割案例，感兴趣的可以学习阅读一下。今天分享的比这个挑战赛更加上一个难度，是对前列腺区域再进一步细分成TZ和PZ两个子区域。
一、图像分析与预处理
（1）、200例MR的T2W原始数据和标注数据可以在原文链接中获取得到，在使用该数据的时候，要注明引用出处。
（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192x192x48，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。
（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10倍。
二、分割网络
（1）、搭建VNet3d模型，网络输入大小是（192, 192, 48）。Tensorflow入门教程(二十）——基于VNet3D的前列腺分割案例
（2）、loss采用的是多分类的focalloss函数。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
输入图像统一缩放到（192, 192, 48），设置截断范围（5%，95%），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20例测试数据分割结果，左边是金标准结果，右边是预测结果。
四、参考文献
1、"Y. Liu et al., "Automatic Prostate Zonal Segmentation Using Fully Convolutional Network With Feature Pyramid Attention," in IEEE Access, vol. 7, pp. 163626-163632, 2019, doi: 10.1109/ACCESS.2019.2952534"
2、"Y. Liu et al., "Exploring Uncertainty Measures in Bayesian Deep Attentive Neural Networks for Prostate Zonal Segmentation," in IEEE Access, vol. 8, pp. 151817-151828, 2020, doi: 10.1109/ACCESS.2020.3017168."
3、"Litjens G, Debats O, Barentsz J, Karssemeijer N, Huisman H. "Computer-aided detection of prostate cancer in MRI", IEEE Transactions on Medical Imaging 2014;33:1083-1092. DOI: 10.1109/TMI.2014.2303821"
