Deep learning 无掩模的U-Net分割

我不熟悉深度学习和语义分割

我有一个Dicom格式的医学图像（CT）数据集，其中我需要从图像中分割肿瘤和相关器官。我已经标记了我们的医生绘制的器官轮廓，我们称之为以Dicom格式存储的RT结构

据我所知，人们通常使用“面具”。这是否意味着我需要将rt结构中的所有轮廓结构转换为掩码？或者我可以直接使用RT结构（.dcm）中的信息作为输入

---

感谢您的帮助。

有一个名为

pydicom

的特殊库，您需要先安装该库，然后才能实际解码并在以后可视化X射线图像

现在，因为你想应用语义分割，你想分割肿瘤，解决方案是创建一个神经网络，它接受一对

[图像，遮罩]

，其中，比如说，遮罩中的所有位置都是0，除了肿瘤所在的区域，用1标记；实际上，你的基本事实就是面具

---

当然，为此，您必须实现您的

CustomDataGenerator（）

，它必须在每一步产生一批如上所述的

[图像，掩码]

对。

有一个名为

pydicom

的特殊库，您需要安装该库，然后才能真正解码并在以后可视化X射线图像

现在，因为你想应用语义分割，你想分割肿瘤，解决方案是创建一个神经网络，它接受一对

[图像，遮罩]

，其中，比如说，遮罩中的所有位置都是0，除了肿瘤所在的区域，用1标记；实际上，你的基本事实就是面具

---

当然，为此，您必须实现您的

CustomDataGenerator（）

，它必须在每个步骤产生一批如上所述的

[图像，掩码]

对。

一般来说，

如果您创建一个掩码

，您可以使用深度学习模型（Unet）轻松地对其进行训练。另一方面，如果你不想包装一个掩码，你需要

创建一个自定义的数据生成器

&它会有点复杂。一般来说，

如果你创建一个掩码

，你可以用深度学习模型（Unet）轻松地训练它。另一方面，如果您不想将mask打包，则需要创建一个自定义数据生成器&它将有点复杂。