今天将分享COVID的二值分割的完整改进实现过程，主要是采用了混合损失函数来训练网络模型，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。
一、图像分析与预处理
（1）、199例COVID的CT原始数据和标注数据及训练标签文件可以在官网上下载获取得到。验证数据一共有50例CT数据，也可以在官网上下载了。
（2）、采用简单粗暴的方式来处理数据，由于训练的显卡是1080ti的11G显存的，所以首先将训练原始图像和标注图像进行图像大小缩放到固定大小，具体是160x160x64，如果你的显卡显存足够大的话，可以将该大小改的大一点，如果显存小的话，可以将该大小改小一点。
（3）、对缩放后的原始图像进行窗宽窗位设置，将-1000到0之间的Hu值进行保留，其他的范围进行截断处理。
（4）、然后在采用均值为0，方差为1的方式对原始图像进行归一化处理。
（5）、为了防止模型过拟合，还增加了数据增强的处理过程，采用旋转，平移，翻转等方法对图像和标注数据同时进行扩充处理，这里扩充了20倍。
二、分割网络
（1）、搭建VNet3d模型，网络输入大小是（160，160，64）。具体实现可以参考Tensorflow入门教程（十九）——基于VNet的前列腺分割案例。
（2）、loss采用的是二分类的dice函数和focalloss函数。具体实现可以参考Tensorflow入门教程（三十四）——常用两类图像分割损失函数。
（3）、分割损失结果和精度经过如下图所示。
三、验证数据结果
在50例数据上进行测试，验证数据结果排名在24名，结果相比第一次结果有一定提高，但是与第一名还是有差距。
在提交结果上可以看到详细评价指标数值，以dice指标为例，好的结果dice值可以到达0.85以上，差的结果dice值只有0.18。
为了方便大家更高效地学习，整个项目代码更新到github上，https://github.com/junqiangchen/COVID-19-20-Segmentation-Challenge。点击原文链接即可访问官方比赛网址，可以直接下载训练和验证数据。