下载Pretrained网络

指定预训练网络的所需位置。

dataDir = fullfile (tempdir,“lungmask”）;如果~存在(dataDir“dir”mkdir (dataDir);结束

从MathWorks®网站下载预先训练的网络downloadTrainedNetworkhelper函数。helper函数作为支持文件附加到这个示例中。MathWorks网站上的网络等价于R231模型，可在LungMask GitHub存储库中获得[2，转换为ONNX格式。预训练网络的大小约为11 MB。

lungmask_url =“//www.ru-cchi.com/supportfiles/medical/pretrainedLungmaskR231Net.onnx”；downloadTrainedNetwork (lungmask_url dataDir);

进口Pretrained网络

将ONNX网络作为函数导入importONNXFunction(深度学习工具箱)函数。您可以使用此函数导入具有多个层的网络importONNXNetwork(深度学习工具箱)函数不支持。的importONNXFunction功能需要ONNX模型格式的深度学习工具箱™转换器支持包。如果没有安装此支持包，则importONNXFunction提供下载链接。

的importONNXFunction函数导入网络并返回一个ONNXParameters对象，该对象包含网络参数。当您导入预先训练的肺分割网络时，该函数显示一个警告LogSoftmax不支持操作符。

modelfileONNX = fullfile (dataDir,“pretrainedLungmaskR231Net.onnx”）;modelfileM =“importedLungmaskFcn_R231.m”；params = importONNXFunction (modelfileONNX modelfileM);

导入ONNX网络架构的函数保存到文件importlunmaskfcn_r231 .m中。要学习如何使用这个函数，输入:help importedLungmaskFcn_R231。

警告:无法导入某些ONNX操作符或属性。它们可能已经被导入模型函数中的'PLACEHOLDER'函数所取代。1个操作符:当前设置或在此上下文中不支持LogSoftmax操作符。

打开生成的函数，以M文件的形式保存在当前目录中。函数包含这些代码行，指示不支持LogSoftmax操作符被替换为占位符:

不支持的操作符的%占位符函数:(var。x460 NumDims。x460] =占位符(Vars.x459);

在函数定义中，用以下代码替换占位符代码。将更新的函数保存为lungmaskFcn_R231．的一个副本lungmaskFcn_R231附带的正确代码也作为支持文件附加到此示例中。

%替换不支持操作符的占位符函数(LogSoftmax):var。日志(softmax x460 = (Vars.x459,“DataFormat”，“CSSB”));NumDims。x460 = NumDims.x459;

将网络参数保存在ONNXParameters对象参数个数．将参数保存在一个新的MAT文件中。

保存(“lungmaskParams_R231”，“参数”）;

加载数据

在测试数据集上测试预训练的肺分割网络。测试数据是来自Medical Segmentation十项全能数据集的CT胸部体积[3.］．下载MedicalVolumNIfTIData从MathWorks网站下载ZIP文件，然后解压缩该文件。ZIP文件包含两个CT胸部卷和相应的标签图像，以NIfTI文件格式存储。数据集的总大小大约为76 MB。

zipFile = matlab.internal.examples.downloadSupportFile (“医疗”，“MedicalVolumeNIfTIData.zip”）;filePath = fileparts (zipFile);unzip(zipFile,filePath) dataFolder = fullfile(filePath，“MedicalVolumeNIfTIData”）;

指定第一个CT卷的文件名。

文件名= fullfile (dataFolder,“lung_027.nii.gz”）;

创建一个medicalVolume对象为CT卷。

medVol = medicalVolume(文件名);

提取并显示体素数据medicalVolume对象。

V = medVol.Voxels;volshow (V, RenderingStyle =“GradientOpacity”）;

测试数据进行预处理

对测试数据进行预处理，以匹配预训练网络的预期方向和强度范围。

旋转横平面上的测试图像体积，以匹配预训练网络的预期输入方向。网络训练使用面向数据的病床在图像的底部，因此测试数据必须面向相同的方向。如果更改测试数据，则需要应用适当的空间转换来匹配网络的预期方向。

rotationAxis = [0 0 1];volAligned = imrotate3 (90 V, rotationAxis);

显示旋转卷的切片以检查更新的方向。

imshow (volAligned (:,:, 150), [])

使用强度归一化将感兴趣区域的体素强度范围重新缩放到范围[0,1]，这是预训练网络期望的范围。强度归一化的第一步是确定感兴趣区域内的强度值的范围。这些值的单位是Hounsfield。要确定强度范围的阈值，绘制体素强度值的直方图。设置x -而且y-基于最小值和最大值的直方图图的极限。直方图有两个大峰。第一个峰值对应于病人体外的背景像素和肺部的空气。第二个峰值对应于心脏和胃等软组织。

图直方图(V) xlim ([min (V, [],“所有”)马克斯(V, [],“所有”ylim([0 2e6]) xlabel(“强度(Hounsfield单位)”) ylabel (“压”)参照线((-1024 500),“红色”线宽= 1)

为了将强度限制在包含感兴趣区域的大部分组织的区域，选择强度范围的阈值为- - - - - -1024年和500年。

Th = [-1024 500];

应用preprocessLungCT辅助函数进一步预处理测试图像卷。helper函数作为支持文件附加到这个示例中。的preprocessLungCT函数执行以下步骤:

imSize = [256 256];volInp = preprocessLungCT (volAligned、imSize th);

分段测试数据和后处理预测标签

对测试CT体积进行分段lungSeghelper函数。helper函数作为支持文件附加到这个示例中。的lungSeg函数通过对预训练的网络进行推理来预测分割掩码，并对网络输出进行后处理，得到分割掩码。

为了减少所需的计算时间，可以使用lungSeg函数对卷的切片进行批量推理。使用b指定批大小为8片atchSize名称-值参数lungSeg．增加批处理大小可以提高推断的速度，但是需要更多的内存。如果内存不足，请尝试减小批处理大小。

在后处理过程中,lungSeg助手函数对网络输出应用模式过滤器，以平滑分割标签使用modefilt函数。方法可以设置模式筛选器的大小modeFilt名称-值参数lungSeg．默认的过滤器大小为(9 9 9)．

labelOut = lungSeg (volInp batchSize = 8);

显示预测分词标签

来显示分割结果volshow函数。使用OverlayData参数绘制预测的分段标签。要关注标签数据，请使用Alphamap设置图像卷的不透明度为0OverlayAlphamap参数将标签的不透明度设置为0.9。

volshow (volInp OverlayData = labelOut,.．.Alphamap = 0,.．.OverlayAlphamap = 0.9,.．.RenderingStyle =“GradientOpacity”）;

还可以将预处理的测试卷显示为切片平面，并将预测的分割标签显示为覆盖层RenderingStyle名称-值参数“SlicePlanes”．属性指定肺分割标签OverlayData名称-值参数。

volshow (volInp OverlayData = labelOut,.．.OverlayAlphamap = 0.9,.．.RenderingStyle =“SlicePlanes”）;

单击、拖动鼠标可旋转卷。若要在平面中滚动，请在要研究的切片上暂停，直到它突出显示，然后单击并拖动。左肺和右肺分割掩模在为其定义的切片中可见。

参考文献

[1] Hofmanninger, Johannes, Forian Prayer, Jeanny Pan, Sebastian Röhrich, Helmut Prosch，和Georg Langs。常规成像中的自动肺分割主要是一个数据多样性问题，而不是一个方法论问题。欧洲放射学实验4,没有。1(2020年12月):50。https://doi.org/10.1186/s41747 - 020 - 00173 - 2。

[2] GitHub。严重病理下的CT肺自动分割已于2022年7月21日访问。https://github.com/JoHof/lungmask．

[3]医疗细分十项全能。“肺”。任务。已于2018年5月10日登陆。http://medicaldecathlon.com．Medical Segmentation Decathlon数据集是在CC-BY-SA 4.0许可下提供的。所有的保证和声明是不承认的。详细信息请参见license。