請問深度學習醫學影象分割，如何歸一化？

1樓：張良懷

如果是CT，可以首先統計一下金標準mask所覆蓋的前景目標的灰度值的以下特徵：

1.均值

2.方差

3.去最小0.5%極端值後的最小值（簡稱0.05%最小值）4.去最大0.5%極端值後的最大值（簡稱99.5%最大值）然後採用以下規則進行歸一化：

1.clip掉0.5%最小值以下的值和99.5%最大值以上的值：

2.減均值除以方差

mr的話，因為磁場和各種引數的原因，同乙個組織在不同次掃瞄裡面灰度值並不太固定，所以不建議採用以上方法。

建議直接最大最小值(也可以用去0.5%的極值)歸一化到正負1或0,1之間。

2樓：xiedidan

醫學影象是要先加窗取到你要的組織，再做普通的0-1歸一化就好了，一般放射科都知道要什麼窗

問這個問題多半是搞演算法的吧，很多比賽給的dicom裡面加過窗了，呵呵

3樓：鄭澤嘉

首先我不是做醫療影象分割的。

可以參考TensorRt 是怎麼把任意分布的activation歸一化的 (其實是變成適合256個整數來表示的乙個範圍): 用KL-Divergence。

你這個問題相當於要找到乙個 threshold，然後所有大於這個threshold的畫素值都變成 thresh就好了。最後歸一化每個畫素除以這個值。

TensorRt 裡是用 KL-Divergence 來尋找最好的 threshold 的。

你也可以假設自己在0-1 間希望有256個bin來表示（畢竟灰度影象就那麼多畫素值），那你也用同樣的KL-Divergence來找乙個threshold，使得這個被clip過的分布在quantize到256個畫素時 KL-Divergence 最小。那就行了。

4樓：

針對CT和MR可能採取不同的策略，舉例而言，CT影象採用截斷歸一化比較多一些，即採用感興器官或組織的窗寬-窗位(最小最大值)去截斷灰度範圍，然後歸一化到[0, 1]或[-1,1]。可以多看看一些文章的。