基于3D-UNet的CBCT上气道图像分割的研究

概述

阅读一篇文献，基于 3D U-Net 的 CBCT 上气道图像分割的研究，分析一下 3D U-Net 的基本流程。

论文阅读

高质量的数据集有助于此后顺利提取上气道图像的特征规律。本研究将270例上气道DICOM 3.0标准格式的CBCT图像数据中的分段上气道逐例逐层进行灰度值标记，共计标记切面70249层，获得270个NIFTI格式的标记文件，交叉检查标记质量后，最终保留258例NIFTI格式的上气道分段人工标记完成的文件，构建高质量的CBCT上气道分割数据集。最后，将该数据集平均随机分为训练集（129 例）和测试集（129 例）。

数据的获取对实验非常关键，从论文可以看到这个标记量肯定是不小的，7w+层的标记。

实验基于 PyTorch 框架构建的 3D U-Net 网络模型，实验环境如下：Ubuntu 16.04 LTS 64 位操作系统，AMD Ryzen 7 2700X CPU，NVIDIA GeForce 3080ti GPU 一块，运行内存 128GB。

作者的环境比较一般，GPU也不算好，单卡训练会收到显存规模的影响，无法做数据量大的计算。

本实验使用测试集样本（129 例）对该算法的医学图像分割效果进行评价。

作者实验使用的数据量应该算比较少，不过一个病人样本的三维图像的层数是不少的，如果要标注，工作量也不会小。

本研究采用一系列参数和统计学方法对该算法的医学图像分割效果进行客观评价即定量分析。

这里是需要学习一下的，具体需要哪些方案来对图像分割的效果进行分析。

1. Dice相似系数是一种用于计算两个样本的相似程度的集合相似度度量函数
2. CM常被用于机器学习领域，用来评价二分类模型的性能
3. 采用独立样本t检验、Mann-Whitney U检验、非参数Kruskal-Wallis H检验等分析测试集样本不同分组类型（不同性别、年龄和是否患有AH）对TPV的影响
4. 采用Kruskal-Wallis检验分别比较4个上气道VOI自动分割精确性的组间差异
5. 采用外部验证评估基于3D U-Net自动分割上气道辅助诊断的效果

通过对比人工分割上气道图像和使用算法自动分割结果对比，证明了3D U-Net网络模型在分割上气道不同平面（轴状面、矢状面、冠状面）的CBCT二维图 像时取得不错的效果。

3D U-Net 看来也可以直接用在二维的截面上。

从结果看，人工和算法的差别确实不大，上面的图是基于三个截面的。

上面这个图是基于3维模型的。