Deep learning 基于unet的CT图像小血管识别

我们正试图利用CT图像生成一个三维肺血管树。我们使用VGG-16作为编码器，使用相同的层（不传输权重）作为解码器。由于CT图像与VGG-16训练中使用的图像有显著差异，因此对整个网络进行微调

该数据集包括22000多个培训数据和8000多个验证数据。对于每个历元，网络随机选择2000个训练数据和800个验证数据。同时，批量大小选择为3

我们的问题是网络无法分割小型船舶。例如，我们有：

原始CT图像为：

图像的标签：

网络预测：

到目前为止，我们试图通过迁移学习将网络结构从标准的u-net改变为u-net。此外，我们试图使图像更明亮，但这些改变并没有解决问题

我还可以提供预处理代码：

# Pixel intensities we interested in
pixel_range = (-6000, 6000)

# Normalizing the images
image = ((image-pixel_range[0]) / (pixel_range[1]-pixel_range[0]))*255
image[image>255] = 255
image[image<0] = 0

# Histogram equalization
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
histogram_equalized_image = clahe.apply(image)

# Enhancing the image
maxIntensity = 255.0
phi = 1
theta = 1
ratio = 1.5
enhanced_image = (maxIntensity/phi)*(histogram_equalized_image/(maxIntensity/theta))**ratio
enhanced_image = np.array(enhanced_image, dtype=np.uint8)

#我们感兴趣的像素强度
像素范围=（-6000，6000）
#标准化图像
图像=（（图像-像素范围[0]）/（像素范围[1]-像素范围[0]）*255
图像[图像>255]=255
image[image对于卷积神经网络来说，分割小血管并不是一项简单的任务。老实说，分割肺部区域，然后使用简单的算法（如阈值）来获得肺血管，可能会更幸运

你提供的信息太少，但如果我对你的代码发表评论，我会首先坚持标准的U-Net架构。此外，你的像素范围“增强”这有点奇怪。请尝试剪切一些强度值以限制正在使用的像素范围。尝试使用图像增强。我不确定为什么每个历元仅使用2000个图像切片。请确保您的数据是随机分割的，而不是每幅图像。
分割小血管对于卷积神经单位来说不是一项简单的任务老实说，你可能会更幸运地分割出肺区域，然后使用简单的算法，比如阈值分割，来获得肺血管

你提供的信息太少，但如果我对你的代码发表评论，我会首先坚持标准的U-Net架构。此外，你的像素范围“增强”有点奇怪。请尝试剪切一些强度值以限制正在使用的像素范围。尝试使用图像增强。我不确定为什么每个历元仅使用2000个图像切片。请确保数据是按患者随机分割的，而不是按图像分割的