all_data数据集分割

数据集分割的难点在于：

• 左右冠状动脉由于其较细的管径、位置，导致很难成像，使得分辨率比较低且噪音较多。

至今为止使用的一些方法比对

1. 使用3D Unet + 人为分配标签所占loss权重进行分割的结果分析：

   • 整体而言分割效果很差：

     • 因为整张图像输入进去，加上模型的参数量，使得GPU无法负载，无法进行训练。因而需要采用下采样的方式，但这一操作对本来体积就比较细小的左右冠状动脉分割会起到反效果

     • 进行了预分割之后，虽然图像可以被裁剪到只含有目标对象的大小，但是还是需要进行下采样的过程（主要是为了统一patch的形状）

2. 使用2D Unet + 人为分配标签所占loss权重进行分割的结果分析：

   • 比3D Unet效果好了很多，主要问题还是在于左右冠状动脉分割，其他标签分割效果不错
   • 左右冠状动脉分割效果差的原因：
     1. 采用固定的loss权重比例，但每个样本之间各个标签的比例（尤其是左右冠状动脉所占比例）相差比较大，用固定的loss权重比例，使得模型的泛化能力比较差，对数据集的要求比较高，对loss权重这个超参数的设置要求很高
     2. 由于原因1，使得某些数据分割效果很好，但另一些很差

3. 使用2D Unet + class weight strategy进行分割的结果分析：

   • 相比2D Unet + 人为分配标签所占loss权重方法而言，各个标签的分割准确率均有提升
   • 不需要人为设置class weight，而是让模型根据每一批输入的样本的情况来分配标签所占的loss权重
   • 问题在于左右冠状动脉的分割效果只有0.6，只提升了5-6个百分点
     1. 左右冠状动脉分割情况：
        • 在远离冠状动脉口的一端，一些细小的分支很容易缺失
        • 与背景之间对比度不大使得一些不应该被分类成左右冠状动脉的体素被错误分类
     2. 其他标签：
        • 平均dice在0.78 - 0.95之间，分割效果还可以