【3D 图像分割】基于 Pytorch 的 VNet 3D 图像分割1（综述篇）

在上一个关于3D 目标的任务，是基于普通CNN网络的3D分类任务。在这个任务中，分类数据采用的是CT结节的LIDC-IDRI数据集，其中对结节的良恶性、毛刺、分叶征等等特征进行了各自的等级分类。感兴趣的可以直接点击下方的链接，直达学习：

1. 【3D图像分类】基于Pytorch的3D立体图像分类1（基础篇）
2. 【3D图像分类】基于Pytorch的3D立体图像分类2（数据增强篇）
   

在开始本次关于3D 目标的分割任务前呢，我还是建议先去看看上述较为简单的分类任务，毕竟大多数是相似的，有很高的借鉴意义。

一、导言

准备一个训练，需要下面这些内容组成：

1. 准备数据
2. 准备网络
3. 搭建训练主模型
   • train one epoch
   • valid one epoch
   • 存储模型
   • 存储指标
4. loss 函数
5. dice coeff 评估指标
6. optimizer优化方式

其中，在本项目中：

1. 网络采用vnet 3d模型
2. 数据采用patch裁剪大小
3. loss函数未dice loss
4. 评价指标是dice coeff
5. optimizer优化方式是SGD

二、搭建主结构

训练的主体结构（骨架），总数包括几个部分：

1. config：可调参数定义，包括数据路径、图像大小、类别数量、学习率、batch size等等；
2. main：主函数，包括：
   • 构建模型
   • 构建数据
   • 优化器
   • 学习率变化方式
   • 损失函数
   • 评估指标
   • 训练batch循环
   • 验证batch循环
3. 后处理：包括模型参数存储，指标走势绘图等等。

上面这些个内容，基本上是囊括了深度学习模型训练的整体结构了，后面的工作就是对每一部分进行补充。就犹如已经有了骨架，后续就是补充肉身了。

后面给出的这个pytorch骨架案例，也是后面再构建训练任务，一个可以参考的依据，可收藏。

2.1、导入库和配置参数

import os
import matplotlib.pyplot as plt
import torch.utils.data
import torch.optim as optimfrom datasets.datasets import myDatasetos.environ["CUDA_VISIBLE_DEVICES"] = "0, 1, 2, 3"  # 使用gpu0
DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")  # 没gpu就用cpu
print(DEVICE)############################################################
# Configuration
############################################################
class Configuration(object):train_path = r"./database/sk_output/train"valid_path = r"./database/sk_output/valid"model_path = r'./checkpoints'Crop_Size = (48, 96, 96)num_outs = 2Batch_Train = 32Batch_Test = 16Max_epoch = 220Num_Workers = 8Dice_Best = 0LR = 0.0003momentum = 0.99weight_decay = 1e-8def display(self):"""Display Configuration values."""print("\nConfigurations:")print("")for a in dir(self):if not a.startswith("__") and not callable(getattr(self, a)):print("{:30} {}".format(a, getattr(self, a)))print("\n")

2.2、构建main主函数

def main():Config = Configuration()Config.display()train_loader, valid_loader = get_Dataloader(Config)model = get_model(Config).to(DEVICE)# ---- OPTIMIZER ----optimizer = optim.SGD(model.parameters(), lr=Config.LR, momentum=Config.momentum, weight_decay=Config.weight_decay)train_loss_list = []  # 用来记录训练损失valid_loss_list = []  # 用来记录验证损失valid_dice_list = []epoch_list = []for epoch in range(1, Config.Max_epoch + 1):epoch_list.append(epoch)train_loss = train_model(model, DEVICE, train_loader, optimizer, epoch)  # 训练valid_loss, valid_dice = valid_model(model, DEVICE, valid_loader, epoch)  # 验证train_loss_list.append(train_loss)valid_loss_list.append(valid_loss)valid_dice_list.append(valid_dice)draw_plot(epoch_list, valid_dice_list, 'valid_dice')draw_plot(epoch_list, valid_loss_list, 'valid_loss')draw_plot(epoch_list, train_loss_list, 'train_loss')if valid_dice > Config.Dice_Best:path_ckpt = os.path.join(Config.model_path, 'best_model.pth')save_model(path_ckpt, model)Config.Dice_Best = valid_diceelse:path_ckpt = os.path.join(Config.model_path, 'last_model.pth')save_model(path_ckpt, model)print('best val Dice is ', Config.Dice_Best)if __name__ == '__main__':main()

2.3、构建获取模型和数据的函数

def get_model(config):from models.vnet3d import VNet3Dmodel = VNet3D(num_outs=config.num_outs, channels=16)model = model.to(DEVICE)  # 模型部署到gpu或cpu里model = torch.nn.DataParallel(model).to(DEVICE)return modeldef get_Dataloader(config):# get train datadataset_train = myDataset(config.train_path, config.Crop_Size, isTrain=True)print(len(dataset_train))train_loader = torch.utils.data.DataLoader(dataset_train,batch_size=config.Batch_Train, shuffle=True,num_workers=config.Num_Workers, drop_last=False)# get valid datadataset_valid = myDataset(config.valid_path, config.Crop_Size, isTrain=False)valid_loader = torch.utils.data.DataLoader(dataset_valid,batch_size=config.Batch_Test, shuffle=False,num_workers=config.Num_Workers, drop_last=False)return train_loader, valid_loader

2.4、构建训练循环和验证循环

def train_model(model, device, train_loader, optimizer, epoch):config = Configuration()model.train()for batch_index, (data, target) in enumerate(train_loader):  # 取batch索引，（data，target），也就是图和标签data, target = data.to(device), target.to(device)output = model(data)loss = Loss(output, target)optimizer.zero_grad()  # 梯度归零loss.backward()  # 反向传播optimizer.step()  # 优化器走一步return losses.avg  # 返回平均损失，损失列表def valid_model(model, device, test_loader, epoch):config = Configuration()model.eval()with torch.no_grad():  # 不进行 梯度计算（反向传播）for batch_index, (data, target) in enumerate(test_loader):  # 枚举batch索引，（图，标签）data, target = data.to(device), target.to(device)output = model(data)loss = Loss(output, target)  # 计算损失return losses.avg, multi_dices.avg

2.5、后处理

保存模型的参数，和绘制训练过程中train loss、valid loss，以及valid dice走势图，如下：

def draw_plot(x_list, y_list, title_name):plt.plot(x_list, y_list, label=title_name)plt.xlabel('x', fontsize=15)plt.ylabel('y', fontsize=15)plt.title(title_name, fontsize=15)plt.savefig('./logs/cure.png')def save_model(path, model):if isinstance(model, torch.nn.DataParallel):state_dict = model.module.state_dict()else:state_dict = model.state_dict()torch.save(state_dict, path)

至此，每一个模块都有了对应的归宿，后面就是如何将缺漏的地方，补全过程了。反倒是这部分的代码相对较少，两大需要单独验证的数据和模型是大头，其他就好办了。

三、总结

本文是关于Pytorch 的 VNet 3D 图像分割的第一篇，也就是一个综述篇，主要是对这个项目的任务目的，以及其中的一个流程进行了梳理。

上述的骨干代码还不能够作为训练使用，还需要补充进去骨肉，才能够适应不同的任务，这一块的内容将会在后面的几个篇章中，一一陈述。

如果你也在做类似的事情，欢迎点赞、收藏，mark住。对于这部分的内容可以一起交流，欢迎多多评论。