代码架构：
- checkpoints 此目录用于存储每轮epoch训练好的模型参数，防止训练终止可以恢复训练
- config
- configuration.py 配置文件，包含文件路径、数据预处理、模型超参数和训练参数等
- data
- dataset.py 对Dataset类进行封装，在单网络训练时，用于肝脏训练集或肿瘤训练集的数据加载
要注意第29行和第57行的sitk.ReadImage()中的数据类型，一个是sitkInt16
另一个是sitkFloat32，原因在于肿瘤数据集在预处理时进行了归一化，如果数据
类型还是设为Int的话，导致加载的矩阵全是0
- dataset2.py 对Dataset类进行封装，用于级联网络训练时的数据加载，如果不尝试级联网络，
可以不使用此文件。
- loss
- DiceLoss.py 本项目主要使用的损失函数
- FocalLoss.py 其他图像分割损失函数，效果不明，可自行上网搜索具体代码实现（下同）
- LovaszLoss.py
- TverskyLoss.py
- models
- BasicModule.py 封装了nn.Module，主要提供了save和load两个操作模型的方法
- CascadeResUNet.py 用于级联网络训练，根据判断"liver_seg"和"tumor_seg"，
将此模型分为级联网络中的两个子网络（它不是两个网络的集合，而是单个网络!）
- DenseUNet.py 去除了空洞卷积的DenseUNet，用于模型对比
- DilatedDenseUNet.py 包含空洞卷积的DenseUNet
- NaiveUNet.py 去除了空洞卷积和Dense block的UNet，用于模型对比
- ResUNet.py 本项目使用最多、效果最佳的网络，在实际应用中可考虑使用此网络进行训练
- UNet3D.py 论文<3D UNet>的PyTorch实现，训练时间长、显存开销大，效果也不好
- utils
- visualize.py PyTorch一般采用visdom模块进行可视化，该文件是对常用的方法进行了封装
- preprocess_dataset.py 生成级联网络的训练集，如果只进行单网络训练，不必使用此文件
- preprocess_liver_seg.py 生成肝脏分割的训练集，用于单网络训练
- preprocess_tumor_seg.py 生成肿瘤分割的训练集，用于单网络训练
- train.py 本项目最主要的训练文件，包含肝脏分割网络训练的代码，在控制台运行： python train.py train_liver_net
还包含肿瘤分割网络训练的代码，并嵌套了一个val_tumor_net()，每完成1个epoch的训练，便在验证集上测试一次，
并可视化验证集上的精度，主要是想尝试early_stopping策略，如果嫌弃时间太久，建议直接屏蔽此行代码
- train_cascade_net.py 级联网络训练代码，在控制台运行： python train_cascade_net.py train_cascade_net
- val_cascade_net.py 验证级联网络性能代码
- val_liver_net.py 验证单网络训练时，肝脏分割网络的精度，直接在控制台运行：python val_liver_net.py
- val_tumor_net.py 验证单网络训练时，肿瘤分割网络的精度，直接在控制台运行：python val_tumor_net.py
实验流程：
数据预处理 -> 模型训练 -> 模型评估
在我的毕业论文中，有整个实验的详细介绍，可阅读论文中实验环节，进行了解。
可能存在的坑：
1.模型训练代码中，当时为了实验方便，继承configuration.py类之后，修改了默认配置文件中的参数
如在train.py中，opt = DefaultConfig()，设置 opt.device = 1，就修改了模型训练的GPU编号
2.级联网络的训练效果不佳，为了实验精度，建议只考虑单网络的训练，即二步法，即项目中关于Cascade-Net相关的
部分可暂不尝试，或者寻找更好的级联方案
个人建议：
1.如果对PyTorch不是特别了解的话，对此项目的架构理解起来较有难度，可先尝试 https://github.com/chenyuntc/pytorch-best-practice
以及我个人根据书中代码实现的猫狗识别：https://github.com/jh0905/DogCatProject
2.本项目是基于https://github.com/assassint2017/MICCAI-LITS2017 进行扩展，阅读本项目中不理解的地方，可参考该项目的介绍。