今天将继续分享使用多分类函数来训练分割网络。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、脑肿瘤图像分析与预处理
（1）、多模态MR脑肿瘤图像分析。
分析的过程基本上跟上一篇一致，这里就不多言了，直接从数据处理开始。
（2）、准备脑肿瘤分割数据。
首先将4个模态序列的MR原始图像进行合并生成4个通道的三维图像，原始图像大小都是（240x240x155x1），合并后大小是（240x240x155x4）；
其次对Mask图像进行one-hot操作，将原始图像大小都是（240x240x155x1），生成大小是（240x240x155x4）：通道0中非零值区域是背景区域，通道1中非零值是坏疽区域，通道2中非零值是浮肿区域，通道3中非零值是增强肿瘤区域；
最后对图像和Mask进行分块——取Patch操作，生成若干个（128，128，64）大小的图像和Mask，判断并输出非零的Mask和对应的图像。
二、脑肿瘤分割
（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（128x128x64）。
（2）、loss采用的是多分类函数，包括交叉熵，dice系数，Focalloss，dice+交叉熵，dice+Focalloss，具体实现可以点击原文链接查看具体代码。
（3）、脑肿瘤分割推理过程：首先将原始flair，T1，T2，T1ce图像一起读取进来并进行z-score标准化操作，然后将四个模态图像合并成4通道三维图像（240x240x155x4），输入到网络中去，网络输入大小是（240x240x48x4），在z方向上分块输入并拼接最终得到（240x240x155）分割结果。
（4）、对上面五个损失函数进行训练，并在测试数据上预测并计算dice值，结果如下。
为了大家更好的学习，我把整个项目代码分享到github上：
https://github.com/junqiangchen/BraTS18-Challege
