之前挑战赛的数据都是以CT图像为主，而医学影像还有其他模态，例如核磁共振成像。今天我将分享如何对多模态MR图像脑肿瘤进行分割处理。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）、获取多模态MR图像属性信息。
读取原始图像，显示图像大小，Spacing信息，BraTS18的数据都是配准好的，大小都是（240x240x155），Spacing大小都是（1x1x1）的。
（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是坏疽区域，2是浮肿区域，4是增强肿瘤区域。
（3）、多模态MR标准化处理。
BraTS18采用了T1，T2，flair，T1ce这四个序列的MR图像，这四个序列是不同模态的图像，因此图像对比度也不一样，所以采用z-score方式来对每个模态图像分别进行标准化，图像减去均值除以标准差。
（4）、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图像进行拆分操作即将每个标签图像作为单独的通道图像，即原始图像大小都是（240x240x155x1），拆分后大小是（240x240x155x3）：通道0中非零值是坏疽区域，零是背景区域，通道2中非零值是浮肿区域，零是背景区域，通道3中非零值是增强肿瘤区域，零是背景区域；
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，输入大小是（128x128x64），loss采用的是dice。
（2）、脑肿瘤分割输入大小是（128x128x64x4），输出是（128x128x64x4）。训练的损失函数和精度如下图所示。
（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（240x240x155x3）分割结果。
（4）、进行了结果测试，结果如下所示。
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
数据下载链接：
https://pan.baidu.com/s/1k0cGpXv215N4ArXEcLvT7Q
提取码：2fid
