基于卷积神经网络ResUnet 多模态融合实验、BraTS 3d数据集（nii.gz）4模态融合分割

1、前言

之前介绍了unet对BraTS 3d数据集的2d图片分割，实现思路如下：

1、对BraTS 3d数据集进行切片，沿着某个模态的横断面切割

2、划分数据集、包括训练集、验证集等等

3、网络训练

4、评估模型性能等等

具体的可以参考本文：基于Unet的BraTS 3d 脑肿瘤医学图像分割，从nii.gz文件中切分出2D图片数据_brats2020unet分割-CSDN博客

看了评论和私信，不少人问可不可以将四个模态融合进去，而非单独某个模态分割。

因为多模态本人没有接触过，不过要是仅仅把四个模态融合还是很简单的

一般CNN网络的输入是3通道的RGB，而我们想要把BraTS 3d四个模态融合，其实就是变成

了4个通道的输入而已

这里不用纠结4通道的数据是啥，反正是四种形态，每个形态都是h*w的灰度图像而已

事实上，CNN的隐藏层都把数据卷积成几百个维度了，都是语义信息罢了

2、数据集介绍

BRATS 脑肿瘤分割数据（brain tumor segmentation challenge，BraTS Chanllenge）

标签如下：

这里原始数据集要很多G，这里为了方便仅用十个样本来实验

数据是nii格式，维度如下：数据、gt的维度

可以用ITK-SNAP打开，箭头所指的就是不同模态，可以更换

3、数据集转换

因为数据的维度是这种的

data的维度是4，其中分别为4个模态、x、y、z方向的size

gt 是没有模态的，因为病变区域是不变的

需要注意的是，我们实验的是多模态的信息融合，而非3D的语义分割，请记住这一点，防止下面会混淆

事实上，语义分割的2D领域很多，而3D貌似没有2d分割实用

虽然3d分割要比2d分割效果好，毕竟3d能把握数据的空间体素信息。类似于卷积相比于线性的图像识别，卷积感受野是图像的一个patch，而线性分类仅仅把握像素点。毕竟一般图像来看，像素点的灰度值往往与周围邻域的区域有关

但是3d分割消耗的资源远超2d分割，而且3d的数据采集也很麻烦。等等原因，一般来说我们接触的都是2d图像的分割，基本上sam模型也是以2d图像分割为主

所以，我们想要把BRATS数据集的 (4, 155, 240, 240) 维度先分片，这里还是沿着x轴，也就是155这个方向，所以会变成 (4, 240, 240)的shape

一般的图像维度是(240,240,3)------->3 RGB

这里的4是四种模态，也可以理解成四个channel，每一个都是240*240的灰度图像

本来写了一个dataset直接把nii.gz文件切片后输入网络，不过考虑到对gpu资源可能消耗过大，这里就先生成数据。但是jpg、png图像都是3通道的，不能保存4通道的数据，所以这里用npy保存

3.1 nii.gz 转成 npy 文件

这里需要把一开始的nii.gz的BRATS数据集摆放成这样：

生成的npy如下，这里做了归一化的操作

3.2 npy 文件可视化

可以用下面代码对 npy 可视化

import numpy as np
import matplotlib.pyplot as plt
 
 
im_path = 'ResUnet/data_npy/train/images/50.npy'
mk_path = 'ResUnet/data_npy/train/labels/50.npy'
 
image = np.load(im_path)
mask = np.load(mk_path)
print('image:',image.shape)
print('mask:',mask.shape,np.unique(mask))
 
plt.figure(figsize=(12,8))
plt.subplot(2,2,1)
plt.imshow(image[0],cmap='gray')
plt.title('FLAIR')
 
plt.subplot(2,2,2)
plt.imshow(image[1],cmap='gray')
plt.title('T1w')
 
plt.subplot(2,2,3)
plt.imshow(image[2],cmap='gray')
plt.title('t1gd')
 
plt.subplot(2,2,4)
plt.imshow(image[3],cmap='gray')
plt.title('T2w')
 
plt.show()
 
plt.imshow(mask)
plt.show()
 

如下：

可以看到image的维度是3维的

数据

4、ResUnet 多模态融合分割

这里采用的的ResUnet网络

需要注意的是，这里的网络可以任意更换，只要网络的输入维度和输出维度改成4即可

 # 实例化模型
    model = UResnet(num_classes=args.nc,input_channels=args.input)
    model.to(device)

这里训练了50个epoch，训练集的dice有0.94左右，测试集的dice有0.67左右

看样子，确实融合分割的效果好，不过这里只用了十个数据集，导致数据不足，所以过拟合了

5、推理

推理的话，这里输入是nii.gz文件，生成的也是nii.gz文件

实现逻辑是把nii文件沿着横断面逐层切片，然后推理完把结果融合成nii文件，输出

推理的结果：

真实标签：

6、下载、其他

实验下载：ResUnet网络对BRATS脑肿瘤多模态融合的语义分割项目实现资源-CSDN文库

ResUnet网络毕竟很久了，换成SwinUnet、TransUnet、DenseUnet之类的效果估计会好点

或者对数据进行增广、扩充数据集等等

像这种尺度的融合很简单，不管是灰度图、RGB图像还是4通道的模态融合，其实就是数据的为敌就是(x,h,w)罢了。几通道就是x变成几罢了，然后在dataset里面把加载数据的代码改一下，网络的输入部分其实就是改个数字。

从这次实验，我也有很多启发，sam分割不考虑大模型其实就是加了个bbox的维度，后面可以尝试尝试把unet和sam进行融合做医学图像语义分割。