硕士项目总结

======================================================================================================
全心分割
数据尺寸为（512，512，224），像素值分布在（-1000，3000）
原信号（CT图）
目标是：目标是从CT图到分割好的三维点云

CFUN，200次迭代（清华），Faster RCNN + 3DUNet ，论文中的指标为Dice分数为85.9%，时间为15秒
https://github.com/Wuziyi616/CFUN

虽然作者在论文中表示Dice分数为85.9%
但是我git clone他的代码运行之后发现效果一般，可能我哪里的参数没有设置正确！
大家如果感兴趣也可以去跑一跑试试，看看问题在哪里
这个算法主要是采用Faster RCNN先定位出心脏的大致位置，然后在使用3DUNet进行分割
该算法有2个我认为值得改进的地方：
1.Mask RCNN可以实现同时定位和分割，不知道使用Faster RCNN+3DUNet的意义在哪里
2.3DUNet采用的3维卷积核计算复杂度高，参数量大，而且不好进行迁移学习（预训练骨干不容易获得）
另外，该算法我复现出来的效果又不是很好，但是团队又亟需这样的分割算法！

因此，我决定自己写一个！

======================================================================================================
下面是我的方法，以及改进过程：
数据尺寸为（512，512，224）=>（X，Y，Z）
第一步：
+Z轴切片（俯视图）=> 转化为2D图像分割，降低网络参数量和计算量，便于使用大规模图像数据集的预训练骨干网络进行迁移学习
+DeeplabV3+ => 更好的分割网络
+Net-DD+ => 特征逻辑
+预训练的ResNet50骨干 =>预训练骨干
+学习率的精细控制=>迁移学习

    # 优化方案
    # Set up optimizer
    optimizer = torch.optim.SGD(params=[
        {
   'params': model.backbone.conv1.parameters(), 'lr': 0.5*opts.lr