深度学习应用于医学图像的肝脏分割。

简介：
肝分割项目的核心目标是利用计算机视觉技术，在患者进行扫描时自动地绘制出肝脏的轮廓。所采用的方法源自一系列相关的研究论文。在本研究项目中，我们将进一步应用这种方法，并将其应用于我们所描述的肝图像分割研究论文中。 提供的用于训练的数据集采用NifTi格式，包含20种不同类型的3D医学检查。 为了便于分析，我们为每项检查都提供了原始图像以及对应的肝脏分割遮罩。 我们借助nibabel库来读取与这些图像和蒙版相关的关联数据。 在模型训练方面，我们选择了一个U-net架构——一种完全卷积的网络结构。 其设计理念在于，在典型的卷积神经网络的基础上，通过增加具有上采样运算符的层而非池化层来实现这一点。 这种方式能够使网络学习到更全面的上下文信息（即 Contracting Path），同时也能有效地捕捉到局部特征（即 Expanding Path）。 此外，由于采用了跳过连接机制，上下文信息得以传递到更高分辨率的层级之中，从而保证了输出结果与输入图像具有相同的尺寸。