实战：使用Pytorch搭建分类网络（肺结节假阳性剔除）

实战：使用Pytorch搭建分类网络（肺结节假阳性剔除）

阅前可看：
实战：使用yolov3完成肺结节检测（Luna16数据集）及肺实质分割
其中的脚本资源getMat.py文件是对肺结节进行切割。
注意：
本博客内容没有上述博客内容完美衔接，这里只是提供思路（在完成肺结节检测之后进行假阳性剔除）以及练习使用pytorch搭建深度学习网络。

1. 样本生成
2. Pytorch分类网络搭建
3. 训练+测试

注意:原始脚本有误，因为进行重采样之后，尺寸就不再是512*512的。!!!
修改如下:

        ImageW = int(512 * real_resize_factor[0])
        ImageH = int(512 * real_resize_factor[1]) 
        #如果图像进行旋转了，那么坐标也要旋转
        if isflip :    
            x = ImageW - x
            y = ImageH - y

2019.11.27发现新的两个bug。
1.注意:原始脚本（getMat.py）有误，修改如下!!!

        mat = pix_resampled[y - 20: y + 20, 
                            x - 20: x + 20,
                            z - 12: z + 12]

原因：
这是因为PIL/opencv图片坐标和数组坐标问题。

• 图像和数组的坐标均是左上角（0，0）
• 图像的第一维度是横着的（从做到右），第二维度是竖着的（从上到下）。
• 数组的第一维度是竖着的（从上到下），第二维度是横着的（从做到右）。
• x 和 y 均是worldToVoxelCoord函数从世界坐标换算到图像坐标的值。
• 这个因为其中一个转置imgMat = image_array.transpose(1,2,0) #transpose是将(z,x,y)的三维矩阵转为(x,y,z)的矩阵，是把x轴放在了数组的第一个维度。

一张图来说明这个问题： 这个图有误，详见下一个图。

这个bug是在可视化.mat文件的时候发现的。
出错图下图所示：


2.注意:原始脚本（traindataset.py）有误，修改如下!!!**
这个是在dataAugmentation函数中
修改部分：

......
dataMat = dataMat.transpose(2,1,0)#转置 从x,y,z到z,y,x
......
dataMat = dataMat[randZ : randZ + cropD, randY : randY + cropH, randX : randX + cropW]
......

这个原因是使用了pytorch的torch.nn.Conv3D
3D的卷积，输入的shape是$\left(N,C_{in},D,H,W\right)$，输出shape 是$\left(N,C_{out},D_{out},H_{out},W_{out}\right)$，z轴对应的是深度，y轴对应的H，x轴对应的是W，为了保证一致性，转置的地方需要修改
2019.12.5
1.2019.11.27发现的bug确实是bug，但解释的原因有误。
是在这里：imgMat = image_array.transpose(1,2,0) #transpose是将(z,x,y)的三维矩阵转为(x,y,z)的矩阵，正确的理解是#transpose是将(z,y,x)的三维矩阵转为(y,x,z)的矩阵
重新修改图示为：

2. 所以在traindataset.py中上述修改的这个dataMat = dataMat.transpose(2,1,0)#转置 从x,y,z到z,y,x有 误。正确的是：dataMat = dataMat.transpose(2,0,1)#转置 从y,x,z到z,y,x

1.样本生成

肺结节样本来自Luna16数据集，这里主要使用pytorch进行搭建分类网络，对疑似肺结节进行分类，进行假阳性剔除。在进行深度学习训练之前，需要完成样本集的生成。getMat.py脚本已上传到上述博客的资源中，这里对核心代码进行分析。

1.1尺度归一化

因为CT影像的采样间隔是不一致的，这里进行尺度归一化成1mm * 1mm * 1mm。也许在图像检测的时候这个尺度是否归一化可能影像不大，但是如果对单个肺结节进行分类的话，放缩到统一尺度下，是有利于分类的。

def resample(image, spacing, new_spacing=[1,1,1]):
    # Determine current pixel spacing
    #print("spacing:",spacing)
    #spacing = np.array(list(spacing))
    resize_factor = spacing / new_spacing
    new_real_shape = image.shape * resize_factor
    new_shape = np.round