今天将继续分享从网络结构上进行改进提出SCSEVNet模型来分割脑肿瘤。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、SCSENet模块介绍
17年Momenta 胡杰团队提出Squeeze-and-Excitation Networks（简称 SENet）后BraTS18——多模态MR图像脑肿瘤分割挑战赛续4，有作者受到启发，提出了两种该方法的变体sSE和scSE。原始SE方法被作者称为cSE方法，这是通过压缩空间信息以获得衡量通道重要性的指标，并对原始特征进行重标定；sSE方法是通过压缩通道信息以获得衡量空间位置重要性的指标，并对原始特征进行重标定；scSE方法是同时进行上述两种不同重标定操作，并将它们的结果采用一定策略结合起来，文章中采用的策略有四种：（1）、最大值输出法，（2）、相加法，（3）、矩阵对应元素相乘法，（4）、按照通道方向上进行拼接。
作者也提到scSE模块可以嵌入到网络结构中的任何位置处。
二、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。
三、脑肿瘤分割
（1）、搭建SCSEVNet3d模型，与VNet3d模型不同之处就是增加了scSENet模块，网络输入大小是（128x128x64）。
（2）、loss采用的是多类Focalloss，具体实现可以点击原文链接查看具体代码。
（3）、训练的损失函数和精度如下图所示。
（4）、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。
（5）、进行了结果测试，左边是金标准图像，右边是预测结果图像，如下所示。
了大家更好的学习，我把SCSEVNet网络代码分享到github上：
https://github.com/junqiangchen/VNetFamily
如果大家觉得这个项目还不错，希望大家给个Star并Fork，可以让更多的人学习。如果碰到任何问题，随时留言，我会尽量去回答的。
