一、数据预处理
sortnii.ipynb： 本文件主要是对每个病人CT图像的预处理，包括阈值截断、选取病变周边切片、统一大小以及针对3D模型的扩展；
设置阈值上下限为upper = 200，lower = -200，统一大小为size = 16 ，选取上下扩展CT张数为expand_slice = 6，步长为1；
阈值截断部分：将大于上限的像素值设置为上限，小于下限的像素值设置为下限；
选取病变周边切片：选取出包含病变的切片范围，然后在上下两个方向进行扩展，只保留有病变部分与扩展范围（例，假设病人有100张CT切片，只有40-50切片包含病变，扩展后我们只选取34-56切片作为训练数据）；
统一大小部分：为每个病人的nii统一切片数，具体做法为对（病变+扩展部分）小于16张的用全黑图片补齐为16张，成为1个nii；对17-32张的取两侧的16张成为两个nii（比如18张切片我们选取1-16与3-18做成两个切片数为16的nii）；对32-48的取两侧与正中间的16张切片成为3个nii（比如44张切片我们选取1-16，29-44，15-30做成3个nii）；
针对3D模型的扩展：由于3D网络只能接受固定切片数的CT，要按步长对病人CT图进行切分。比如步长为1，病人有18张切片，则选取1-16，2-17，3-18切片制作为3个nii；步长为2，则选取1-16，3-18制作两个nii；
二、U-net(2D)
应用了medicaltorch中封装的Unet模型，对数据进行训练与模型保存。
medicaltorch_localdata.py：对初始未整理的数据打乱进行训练与模型保存；
medicaltorch_localdata_16.py：对统一大小为16切片数的nii进行训练与模型保存，不打乱顺序，目前表现最好；
medicaltorch_localdata_16_512.py：与上一个相同，只是把图片分辨率由256改为了512；
model_test.ipynb：对2D模型结果进行可视化与dice_loss计算（256分辨率下的）；
model_test_512.ipynb：对2D模型结果进行可视化与dice_loss计算（512分辨率下的）；
三、V-net(3D)
应用了3D版的V-net模型，并进行训练与模型保存，以及3D模型测试。
loss文件夹是对两种损失函数的定义，一般用dice_loss；
net文件夹是对网络的定义，DenseVnet.py包含的是DenseVnet，为了减轻过拟合，自己改进成了simpleVnet；
train_ds.py：用于模型训练，可以自己选取loss与net，保存模型，记录成绩；
val.py：用于3D模型测试与dice_loss计算，观察模型在测试集上的效果；
val_vote.py：用于3D模型测试与dice_loss计算，观察模型在测试集上的效果，是val.py的扩展版；可以选择模型融合方式；可以自己选择参数进行后处理（腐蚀膨胀连通域等）；可以选择是否保存对测试集的预测结果；
plot_v.ipynb：对3D模型的输出结果进行可视化（包含真正癌变部位与预测癌变部位对比）；