最近在做BraTS2019脑肿瘤分割竞赛，阅读了一些相关的论文，这里总结其中的一些要点，今天记录数据预处理部分。脑肿瘤比赛方已经进行了数据预处理，包括配准，重采样到以及头骨去离。但是对于分割任务来说，数据增扩和归一化也是非常重要的。

Myronenko A. 3D MRI brain tumor segmentation using autoencoder regularization[C]//International MICCAI Brainlesion Workshop. Springer, Cham, 2018: 311-320.

     该论文是BraTS2018脑肿瘤比赛的第一名，数据预处理与扩充包括三个主要内容：

1. 标准化输入图像，使其具有零均值与单位标准差。（仅针对非零体素）

2. 针对输入图像的每个通道进行随机强度偏移，并进行缩放。

3. 对输入图像的三轴数据都进行随机轴镜像翻转。

    并且在讨论中提到了他们在比赛过程中尝试了random histogram matching,affine image transforms, random image filtering等方法，证明没有特别大的作用。

Isensee, F., Kickingereder, P., Wick, W., Bendszus, M., Maier-Hein, K.H.: Brain tumor segmentation and radiomicssurvival prediction: Contribution to the brats 2017 challenge. BrainLes 2017, Springer LNCS 10670 (2018) 287–297

该论文是BraTS2018脑肿瘤比赛的第二名，数据预处理与扩充包括三个主要内容：

1. 随机旋转，随机缩放，随机弹性形变，gamma矫正和镜像翻转。

2. 对于每个病人的每个模态的脑部区域进行归一化，脑部以外的区域值设为0。

3. 在训练集中增加了其他公共数据集(http://medicaldecathlon.com/)以及机构数据

McKinley, R., Meier, R., Wiest, R.: Ensembles of densely-connected cnns withlabel-uncertainty for brain tumor segmentation. In: International Conference onMedical Image Computing and Computer Assisted Intervention (MICCAI 2018).

该论文是BraTS2018脑肿瘤比赛的并列第三名，数据预处理与扩充包括两个主要内容：

1. 级联非脑组织去除

2. 随机地沿中线翻转，随机选择的主轴随机旋转，随机平移以及标准强度值的缩放。

Zhou, C., Chen, S., Ding, C., Tao, D.: Learning contextual and attentive information for brain tumor segmentation. In: International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2018). MultimodalBrain Tumor Segmentation Challenge (BraTS 2018). BrainLes 2018 workshop.LNCS, Springer (2018)

该论文是BraTS2018脑肿瘤比赛的并列第三名，数据预处理与扩充主要使用了标准化：

1. 每个序列脑部区域的标准化。

Ren X, Zhang L, Ahmad S, et al. Task Decomposition and Synchronization for Semantic Biomedical Image Segmentation[J]. arXiv preprint arXiv:1905.08720, 2019.

该论文使用了BraTS2018数据集，发表在TMI，数据预处理与扩充主要使用了几何方法：

1. 将数据裁剪到。

2. 三个方向的随机翻转。

总结：

    在所有的论文中脑部区域的归一化、随机翻转，随机缩放和随机裁剪的使用频率是最高的。每个模态的强度偏移和采用额外数据集的方法也是值得考虑的。