没有掩码的 U-Net 分割
U-Net segmentation without having mask
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。我已经标记了由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。
有一个名为 pydicom 的特殊库，您需要先安装它，然后才能实际解码和稍后可视化 X 射线图像。
现在，既然你想应用语义分割并且你想分割肿瘤，解决这个问题的方法是创建一个神经网络，它接受一对 [image,mask] 作为输入，其中，比如说，所有除了肿瘤所在的区域标记为 1 外，mask 中的位置均为 0；实际上你的基本事实就是面具。
当然，为此你必须实现你的 CustomDataGenerator()，它必须在每一步产生一批 [image,mask] 对，如上所述。
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。我已经标记了由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。
有一个名为 pydicom 的特殊库，您需要先安装它，然后才能实际解码和稍后可视化 X 射线图像。
现在，既然你想应用语义分割并且你想分割肿瘤，解决这个问题的方法是创建一个神经网络，它接受一对 [image,mask] 作为输入，其中，比如说，所有除了肿瘤所在的区域标记为 1 外，mask 中的位置均为 0；实际上你的基本事实就是面具。
当然，为此你必须实现你的 CustomDataGenerator()，它必须在每一步产生一批 [image,mask] 对，如上所述。