今天我将分享对腹部CT图像进行13种不同器官分割。为了方便大家学习理解整个分割流程，我将整个流程步骤进行了整理，并给出每个步骤的结果，希望对大家有所帮助。
一、腹部CT图像分析与预处理
（1）、获取图像属性信息。读取原始图像，显示图像大小，Spacing信息，设置合适的窗宽窗位信息来截断非腹部器官区域的图像。
（2）、获取Mask图像信息。读取Mask图像，输出Mask的全部标签值，0是背景，1是脾脏，2是右肾，3是左肾，4是胆囊，5是食管，6是肝脏，7是胃，8是大动脉，9是下腔静脉，10是门静脉和脾静脉，11是胰腺，12是右肾上腺，13是左肾上腺。
（3）、准备腹部多器官分割数据。根据金标准的Mask图像确定器官的起始和结束范围；截取该范围内的原始图像和mask图像，然后将截取的图像和Mask图像进行插值操作，按照Spacing的方式进行插值，将图像全部插值到（1x1x3）大小；最后对插值后的图像进行分块取Patch操作，生成若干个（256，256，16）大小的图像和Mask，判断并输出非零的Mask和对应的图像。
二、腹部器官分割
（1）、搭建VNet3d模型，与二分类VNet3d模型的不同之处就在于最后一层输出采用SoftMax激活函数，网络输入大小是（256，256，16）。
（2）、loss采用的是多分类函数，包括交叉熵，dice系数，Focalloss，dice+Focalloss，具体实现可以点击原文链接查看具体代码。
（3）、损失结果和精度经过如下图所示。
交叉熵损失和精度
focalloss损失和精度
dice损失和精度
dice+focalloss损失和精度
（4）、分割推理过程：首先对图像以Spacing方式进行插值成（1x1x3），并设置窗宽窗位，输入到网络中去，网络输入大小是（512x512x32），在xyz方向上分块输入并拼接得到分割结果，再将分割结果插值回到原始图像spacing大小，最后去除小目标物体，策略是小于0.01倍的最大物体体积的目标去除。
三、在测试数据上进行分割试验
上述四种损失函数在测试数据上预测并计算每类dice值如下图所示。
分割Mask结果如下图所示，图1是金标准Mask图像，2是交叉熵Mask图像，3是focallossMask图像，4是dice+focallossMask图像。
