請問深度學習醫學圖像分割，如何歸一化？
請問醫學圖像分割中醫學圖像如何做歸一化啊，是除以最大值嗎，還是clip，然後除以最大值。
因為醫學圖像範圍較大，有可能到達2000-3000，但是那些值很少，所以如何歸一化呢？
如果是CT，可以首先統計一下金標準mask所覆蓋的前景目標的灰度值的以下特徵：
1.均值
2.方差
3.去最小0.5%極端值後的最小值（簡稱0.05%最小值）
4.去最大0.5%極端值後的最大值（簡稱99.5%最大值）
然後採用以下規則進行歸一化：
1.clip掉0.5%最小值以下的值和99.5%最大值以上的值：
2.減均值除以方差
mr的話，因為磁場和各種參數的原因，同一個組織在不同次掃描裡麪灰度值並不太固定，所以不建議採用以上方法。
建議直接最大最小值(也可以用去0.5%的極值)歸一化到正負1或0,1之間。
謝邀。
針對CT和MR可能採取不同的策略，舉例而言，CT圖像採用截斷歸一化比較多一些，即採用感興器官或組織的窗寬-窗位(最小最大值)去截斷灰度範圍，然後歸一化到[0, 1]或[-1,1]。可以多看看一些文章的。
首先我不是做醫療圖像分割的。
可以參考TensorRt 是怎麼把任意分佈的activation歸一化的 (其實是變成適合256個整數來表示的一個範圍): 用KL-Divergence。
你這個問題相當於要找到一個 threshold， 然後所有大於這個threshold的像素值都變成 thresh就好了。最後歸一化每個像素除以這個值。
TensorRt 裏是用 KL-Divergence 來尋找最好的 threshold 的。
你也可以假設自己在0-1 間希望有256個bin來表示 （畢竟灰度圖像就那麼多像素值），那你也用同樣的KL-Divergence來找一個threshold， 使得這個被clip過的分佈在quantize到256個像素時 KL-Divergence 最小。那就行了。
醫學圖像是要先加窗取到你要的組織，再做普通的0-1歸一化就好了，一般放射科都知道要什麼窗
問這個問題多半是搞演算法的吧，很多比賽給的dicom裡面加過窗了，呵呵
如果只有個別數值遠大於其他值，我覺得你需要的不是歸一化而是一個額外的激活函數
先確定你要取的器官的CT值範圍
在深度網路中，Batchnorm是最常用的歸一化方式，但它嚴重依賴於設定的batch size。看上圖，在訓練過程中，它計算的均值方差是所有mini batch的均值方差，在測試過程中均值方差可不是測試樣本的均值方差， 而是在之前訓練的過程中求所有batch的均值的期望，方差的期望，然後進行測試推理，具體可見https://blog.csdn.net/sinat_30372583/article/details/79943743。但是在實際tensorflow的應用中並沒有採取以上方式，而是使用另一種方式，
默認為: 當前mean = 0.1 * 當前mean + 0.9 * 上一次訓練的mean
所以Batchnorm的參數其實有4個（minibach的均值方差，滑動平均均值方差）。
但在很多任務如分割，檢測中，尤其是3D分割，由於輸入圖像太大，顯存的限制導致batchsize只能設的很小，這個時候如果再用Batchnorm就失去了它固有的意義，而後面提出的LN, IN, GN都是獨立於batchsize的，所以訓練的時候只需要兩個參數就是minibatch的均值方差，測試的時候也不需要滑動平均均值方差了。
在醫學圖像3D分割中，如果我們使用多中心的數據，由於數據比較少，且多個中心的數據之間本來就存在差異，那麼用Batchnorm得不償失，因為滑動平均均值方差是在訓練集上計算的，而測試的數據跟訓練集又不一樣，所以得到的效果就是在訓練集上收斂很快，但在測試集上效果很差。而我使用GN就不會這樣，儘管在訓練集上收斂慢一些，但在測試集上效果要好多了。
轉載自：Darlewo ，深度網路中歸一化方式結合醫學圖像的理解。
最後安利一下我們團隊之前做過一次新冠肺炎識別模擬案例的試驗。
矩池雲：野生煉丹師入門二：新冠肺炎識別模擬-肺炎的CT影像檢測?zhuanlan.zhihu.com
矩池雲：矩池雲 | 神經網路圖像分割：氣胸X光片識別案例?zhuanlan.zhihu.com
推薦閱讀：
