Vertebral Segmentation

The code is based on matterport Mask RCNN (Python3, Keras and TensorFlow).

---

用六院数据做脊骨分割。

椎体位置标注文件在服务器上的位置： /DATA/data/hyguan/liuyuan_sins/data/400例椎体位置.xlsx

生成的json格式标签：/DATA5_DB8/data/sqpeng/Projects/VertebralSegmentation/label.json

voxel 在服务器上的位置：

1. /DATA/data/hyguan/liuyuan_spine/data/spine_npy (249例)

2. /DATA/data/hyguan/liuyuan_spine/data/cervical/npy (51例 颈椎)

3. /DATA/data/yfli/dataset/data_01_19 (2_npy, 4_npy, 5_npy 共100例)

将所有矢状面提取出来，保存为npy文件，目录: /DATA5_DB8/data/sqpeng/Projects/VertebralSegmentation/data

• 错误标签

1190274, 1939444(512x2), 3101826(512x48), 3391383(512x78), 3521844c(x), 4074305

（暂时抛弃这些病人的数据，有效数据为 379 例。）

---

Mask RCNN

🌀 2018-10-30 17:28 Update

现在的思路是：将脊骨数据处理成COCO的格式，然后试试 Mask RCNN 在医疗图像上的效果。

Training on Your Own Dataset

Start by reading this blog post about the balloon color splash sample. It covers the process starting from annotating images to training to using the results in a sample application.

In summary, to train the model on your own dataset you'll need to extend two classes:

Config This class contains the default configuration. Subclass it and modify the attributes you need to change.

Dataset This class provides a consistent way to work with any dataset. It allows you to use new datasets for training without having to change the code of the model. It also supports loading multiple datasets at the same time, which is useful if the objects you want to detect are not all available in one dataset.

See examples in samples/shapes/train_shapes.ipynb, samples/coco/coco.py, samples/balloon/balloon.py, and samples/nucleus/nucleus.py.

例子 samples/balloon/balloon.py 和脊骨分割问题非常相似！

🌀 2018-10-31 15:47 Update

在自己的脊骨数据集上训练，耗时不到1h，得到训练好的模型，路径：/DATA5_DB8/data/sqpeng/Projects/Mask-RCNN-Vertebral-Segmentation/logs/vertebral20181030T2252/mask_rcnn_vertebral_0030.h5

对模型预测以及分析参见 inspect_vertebral_model.ipynb。

效果非常棒👍！毕竟 Mask-RCNN 是 state-of-the-art ...

后面要有所改进其实挺困难的... 可以有这样几个思路：

1. 考虑脊骨数据的特征，脊骨基本上是分布在一条曲线上，可以对模型加上一个曲线的约束。（感觉可以一试）

2. 利用 GAN 做数据增强。 （靠谱吗？宇博说训练数据太少）

🌀 2018-11-11 16:57 Update

分割结果Demo：

🌀 2018-11-14 10:26 Update

先去除附属器官的FP

这里需要制定多个规则：

1. 偏离拟合曲线太远的

2. 在竖直方向上没有重叠的

3. 保证横向没有重叠的

然后再去除椎间盘的FP

可以根据大小比例来判断

误去除id: 2321474

结果示例：

🌀 2018-11-16 14:08 Update

新增self-training: samples/vertebral/self_training_vertebral.py

CUDA_VISIBLE_DEVICES=0 python3 self_training_vertebral.py self_training --dataset=/DATA5_DB8/data/sqpeng/data/vertebrae1024 --weights=''

self_training 结果示例（第0次迭代（左）和第1次迭代（右））：