没有掩码的 U-Net 分割答案

【问题标题】：U-Net segmentation without having mask没有掩码的 U-Net 分割
【发布时间】：2021-04-08 20:51:48
【问题描述】：

我是深度学习和语义分割的新手。

我有一个 Dicom 格式的医学图像 (CT) 数据集，我需要在其中分割图像中涉及的肿瘤和器官。我已经标记了我们的医生绘制的器官轮廓，我们称之为 RT 结构，也以 Dicom 格式存储。

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来自 RT 结构 (.dcm) 的信息作为我的输入？

感谢您的帮助。

【问题讨论】：

一般情况下，If you create a mask 可以使用深度学习模型 (Unet) 轻松训练它。否则，如果您不想创建掩码，则需要 create a custom data generator 并且它会有点复杂。

【解决方案1】：

有一个名为 pydicom 的特殊库，您需要先安装它，然后才能实际解码并稍后可视化 X 射线图像。

现在，由于您想要应用语义分割并且想要分割肿瘤，因此解决方案是创建一个神经网络，该网络接受一对[image,mask] 作为输入，例如， mask 为 0，肿瘤所在区域除外，标记为 1；实际上，你的基本事实就是面具。

当然，为此，您必须实现 CustomDataGenerator()，它必须在每一步都产生一批 [image,mask] 对，如上所述。

【讨论】：