肺癌數據集DICOM ：https://wiki.cancerimagingarchive.net/display/Public/LIDC-IDRI

?

首先用SimpleITK把mhd圖片讀入，對每個切片使用Gaussian filter然后使用閾值-600把肺部圖片二值化，然后再分析該切片的面積，去掉面積小于30mm2的區域和離心率大于0.99的區域，找到3D的連通區域。

只保留0.68L到8.2L體積的區域，并且如果大于6000 mm2的區域到切片的中心區域的距離大于62mm也刪除該連通區。最后只留下一個最大的連通區域。

左邊是原始圖，右邊是切完肺的。

在實際中預處理中，我們可視化了每個肺的部分切片，存在一些bad case。主要有以下3種，我們也對這3種情況做了優化：

把肺邊緣結節切掉。因為閾值導致的，把二值化環境-600改成-150有改善。

切出來全部為黑的(未找到任何肺部區域)。有些ct圖是從頭部開始掃描的，導致影響了連通區域判斷，需要手動查看該mhd文件，看里面的從第個切片到第幾個切片是肺部，在做完二值化操作后，人為把前面和后面的切片全部設置為0。

切出來只有一側肺部情況。

有些患者兩個肺的大小差別比較大，需要調整閾值，放寬閾值標注，把大于6000 mm2的區域到切片的中心區域的距離大于62mm也刪除該連通區，改為大于1500 mm2的區域到切片的中心區域的距離大于92mm也刪除該連通區。并且在最后一步，不只保留最大的連通區，同時保留最大的兩個連通區。

2.模型網絡結構

我們的網絡如圖所示，整體上是采用Unet+Resnet的思想。里面每個Resnet Block都是由多個卷積層和bn層和relu層組成的。我們只展示主體結構（整體深度大概150多層）：

?

3.整體優化思路

3.1 數據優化

肺部切割優化：這塊其實沒有完美的方法能把所有的肺一次性都切好。具體的思路我們已經在第１章數據預處理部分寫出來了：我們會先切一遍，然后將切肺中切的不好的，再調參數重新切一次。

10mm 以下結節的訓練數據增強。我們在沒做數據增強的情況下跑出來的模型，在驗證集上漏掉了不少10mm以下的結節，所以對這部分的結節做了增強。

3.2 工業界優化思路：模型架構 > 模型網絡

我們的優化思路非常的工業界，用更多的計算資源，和更復雜的模型架構，并不把大量的時間用在調模型網絡上面。

3.3 層次化Hard Mining

業界兩套網絡的做法比較普遍，比如用Unet切割或Faster RCNN檢測，用3D CNN分類，如下圖所示。

?

我們用的是如下統一的一套模型架構，即3D Faster RCNN的RPN網絡，沒有后續的全連接做分類，也并沒有

再在后面接一套3D CNN來做降假陽。能減少需要調節的網絡參數。

?

該hard mining的過程，其實就是用上一層的模型作為下一層的輸入，每一層的訓練數據都選取比上一層更難分的。

?

?

這套架構，無需2套網絡，只需要選擇一套較深的網絡。

根據我們的經驗，采取層次化模型訓練，第二層模型froc能比第一層效果提升0.05，第三層能比第二層提升0.02。

3.4 LOSS 函數的設計

在計算loss函數的時候，我們做了2點優化。

1.在使用hard mining的時候，每個batchsize里面負例的個數會明顯多于正例。為了防止算loss的時候被負例主導。我們將loss函數分成３個部分，負例的loss，正例的loss和邊框的loss。

2.在上一節提到的層次化hard mining，我們在最后一層訓練模型的時候，會修改loss函數的計算，對于分錯的負例和正例，做加權。這個思路和focal loss是很像的。

比如：

紅框里面的部分，本來是負例，卻以很大的概率被分成正例，這部分在算loss的時候權值就大些。紅框外面的部分權值就小些。

?

4．本次比賽的關鍵點總結：

1) 解決了基于Intel extended Caffe的150多層深度網絡的 3D Faster RCNN RPN網絡收斂問題。

可以從２個方向來解決（線下Phi卡平臺均已驗證過）。

a）將 drop out設置為 0.1。缺點是會容易過擬合。

b）先訓練一個crop size為32的模型

用這個模型做pre train model，訓練crop size 64的模型

依次類推。

直到完成crop size為128的模型訓練

由于時間關系，我們并未比較這２種思路的效果。比賽中使用的是第１個思路，收斂的更快些。

2) 提出層次化Hard Mining的訓練框架。并沒有采用常見的，unet做分割＋3D CNN降假陽　或者 2d faster rcnn做檢測＋3D CNN降假陽的思路。我們只用了一套網絡。減少了需要調節的網絡參數。

3) 重新設計了loss函數，防止負例主導loss的計算， 并且在降低loss的過程中，更聚焦于分錯的訓練樣本。

5. 經驗總結：

我們團隊雖然過往深度學習架構經驗多，但對醫學影像處理的know how屬于尚在探索之中。所以，我們的優化思路，是用更多的計算資源，和更復雜的模型架構，來彌補沒有專用模型網絡積累的短板。在第一輪比賽時通過調用比較充足的計算資源時效果比較顯著，但在第二輪限定計算資源的多CPU的框架上，比較受限于計算資源及時間。

在計算資源比較充沛的情況下，選取比較深的Resnet效果會明顯。在資源受限的實際場合或者現實的生產環境，我們有兩點啟發：

學會認同重復造輪子的基礎性工作。第一輪比賽我們是pytorch框架，第二輪按要求在caffe上實現，特別是在Intel Extended Caffe對3D支持有限，重寫了不少很基礎的模塊，這種貌似重復造輪子的工作，對我們提出了更高的要求，但也鍛煉了我們深入到框架底層的能力，從而對不同框架的性能特點有更深的認識，這種重寫甚至還因此幫我們找到我們第一版pytorch代碼里detect部分存在的一個bug。

根據資源靈活優化訓練策略乃至模型。我們的3D Faster RCNN 初期在Extended Caffe 上過于耗時，但因為在計算資源充足環境下我們的做法比較有效，所以沒有去考慮一些更快的檢測算法，比如SSD、YOLO等，這點也算是路徑依賴的教訓了。

代碼開源說明：

我們在GitHub (https://github.com/YiYuanIntelligent/3DFasterRCNN_LungNoduleDetector?) 開源了核心代碼，特別是將我們基于Intel Extended Caffe的3D Faster RCNN RPN訓練模塊發布到社區，相信這也是業內首個Intel extended Caffe版的150層網絡3D Faster RCNN開源，希望對Intel 的深度學習社區用戶有幫助。

該代碼對醫學影像的處理也展示了有效性，相信對醫學影像領域AI實踐的發展，對技術如何造福大眾，能起到一些幫助。

通過開源，希望有同行提出性能優化、功能擴充等的修改建議，互相促進。

?

總結

以上是生活随笔為你收集整理的SimpleITK使用深度学习识别肺癌CT DICOM数据集的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。