【3D 图像分割】基于 Pytorch 的 3D 图像分割9（patch 的 crop 和 merge 操作）

在做 3D分割任务中，多数的方法多采用整体缩放，或裁剪成一个个小的 patch操作，这样做的一个主要原因是内存问题。还有就是有些目标太小，比如分割结节，用整图直接输入网络，正负样本（像素级）的不均衡是非常大的。

（此时，产生了一个提升小目标检测的方法：通过对原始大图裁剪的方式，使得目标相较于小图的目标变大，进而提升小目标检测的性能）

相较于整体缩放，采用裁剪成patch的方法，对于小目标会更加的鲁棒，这也是大多数3D分割任务中常选取的方式。尤其是针对医学影像的器官分割任务，CT结节诊断等等，对于细节的要求是非常高的。采用缩小的方式，反而会使得目标的像素区域在输入阶段，就损失较多。

本文，就针对2D、3D的图像和MR数据进行有重叠的crop和merge操作，帮助对其中的细节进行理解。通过本文的学习，对于下节推理阶段的理解，有较大的帮助。

一、2D crop and merge

对于一个[10, 10]大小的示例图像，采用patch大小为[3, 3]的进行裁剪，每次patch与patch之间，在x和y方向重叠1个像素，无法构成一个patch的部分，选择丢弃，如下所示：