近期用Yolo训练肺结节检测模型感觉缺少3D结构信息，尝试一下3D图像分割，博文用以记录。 1、LUNA16数据集 1.1 Luna16数据集介绍 简介：来自于公开的LIDC/IDRI数据集。该数据集剔除了LIDC/IDRI数据集中切片厚度大于2.5mm的扫描数据，共产生了888套CT。Luna16数据集中结节的判定标准为四名放射科专家中至少有三名认定该结节半径大于3mm。因此在数据集的

TAP 设备与 VETH 设备     TUN/TAP 设备是一种让用户态程序向内核协议栈注入数据的设备，一个工作在三层，一个工作在二层，使用较多的是 TAP 设备。VETH 设备出现较早，它的作用是反转通讯数据的方向，需要发送的数据会被转换成需要收到的数据重新送入内核网络层进行处理，从而间接的完成数据的注入。 图 3 .TAP 设备和 VETH 设备工作过程           如图所示

在本文中，主要是对3D UNet 进行一个学习和梳理。对于3D UNet 网上的资料和GitHub直接获取的代码很多，不需要自己从0开始。那么本文的目的是啥呢？ 本文就是想拆解下其中的结构，看看对于一个3D的UNet，和2D的UNet，究竟有什么不同？如果是你自己构建，有什么样的经验和技巧可以学习。 3D的UNet的论文地址：3D U-Net: Learning Dense Volumetri

针对医疗领域中的病灶检测中，采用分割算法最为常见。但是，针对特定脏器内的病灶检测，一直存在一个特别易出现假阳性的地方，就是脏器外的误检测。 这种错误是非常明显，且非常容易被判别为假阳性的。与此同时，这种脏器外的假阳性，也是最容易去除的。 本文就主要针对 CT 肺部，对肺实质部分进行切割，去除掉除肺部之外的组织干扰。需要注意的是： 针对肺结节类型的分割前处理中，一般会引入肺实质分割。但是，该方

在这篇文章：【3D 图像分割】基于 Pytorch 的 VNet 3D 图像分割2（基础数据流篇） 的最后，我们提到了： 在采用vent模型进行3d数据的分割训练任务中，输入大小是16*96*96，这个的裁剪是放到Dataset类里面裁剪下来的image和mask。但是在训练时候发现几个问题： 加载数据耗费了很长时间，从启动训练，到正式打印开始按batch循环，这段时间就有30分钟batch=

在本文中，主要是对3D UNet 进行一个学习和梳理。对于3D UNet 网上的资料和GitHub直接获取的代码很多，不需要自己从0开始。那么本文的目的是啥呢？ 本文就是想拆解下其中的结构，看看对于一个3D的UNet，和2D的UNet，究竟有什么不同？如果是你自己构建，有什么样的经验和技巧可以学习。 3D的UNet的论文地址：3D U-Net: Learning Dense Volumetri

在上一节：【3D 图像分割】基于 Pytorch 的 VNet 3D 图像分割6（数据预处理） 中，我们已经得到了与mhd图像同seriesUID名称的mask nrrd数据文件了，可以说是一一对应了。 并且，mask的文件，还根据结节被多少人同时标注，区分成了4个文件夹，分别是标注了一、二、三、四次，一共就4个医生参与标注。 再加上官方已经给整理好的肺实质分割的文件，我们就获得了以下这些数据

构建pytorch训练模型读取的数据，是有模版可以参考的，是有套路的，这点相信使用过的人都知道。我也会给出一个套路的模版，方便学习和查询。 同时，也可以先去参考学习之前的一篇较为简单的3D分类任务的数据构建方法，链接在这里：【3D图像分类】基于Pytorch的3D立体图像分类1（基础篇） 到了本篇训练的数据构建，相比于上面参考的这篇博客，就多了一丢丢的复杂。那就是有了原始图、mask图后，又多