医学图像处理过程与经验

RGB通道分离，要成单通道的

target的预处理：

增亮与拉伸

1. 量化比较：灰度直方图是否在相同灰度区
2. 主观比较：还原为RGB图
3. 增亮是在原图上加上一个值（我们取均值）
   • 不要直接乘以系数，因为像素值容易爆表，原像素值大等于128的所有像素乘以2之后都变成255，全部丢失细节
4. 非线性灰度拉伸 imadjust 函数：解决增亮带来的问题
5. 可改进的几个地方：
   • 整体加亮的CL值我是固定写为50，这个值可优化
   • imadjust中非线性拉伸的源区间和目的区间是写死的，且R和G通道都一样。这明显不合理。可以做成交互式，或者能够智能判断的(比如源区间自适应地取为原图整体加亮后5%~95%灰度)。还有gamma固定为0.8，不见得是最优。
   • 改为批量处理

灰度均衡

边缘锐化

输入图像灰度均衡

输入图像去噪处理

训练方式：是否考虑先用BSDS训练的参数和mpm微调

loss方式

关于调参

1. 根据损失收敛曲线调整学习率（太小一没动諍，太大一雷荡）、优化器（不见得复杂度高的优化器效果就一定好
2. 若输入图像只有两个通道（比如MPM只有R和G，网络模型中建议删除无信息通道，而不是放空
3. 自然图像RGB三个通道内容相似，用YCbCr没问题，但在医学图像中如果R和G通道内容差异很大，应采用分支网络或并行网络分别处理。可以将各分支loss加权，也可各通道对应网络各自调优
4. 网络模型中输入部分图像的尺寸也值得尝试调整优化，常用的为64，96，128。不建议将大的输入图像切割成多张小图，分别处理后再拼接，因为在边缘部分时常效果不理想
5. 尝试修正Loss函数。可更换其他形式，也可调整Loss中加权系数（新增的Loss项的权重要从小的值开始调）。在去噪方面，时常会加TV Loss或者GDL,屡试不爽。
6. 标准化层要慎重用，特别是BN,虽然可以加快收敛，但是很可能扰乱特征