ADAM——动脉瘤检测和分割挑战(三)
今天将分享动脉瘤检测和分割的第三步二值化分割的完整实现过程，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。
一、数据分析与预处理
首先将训练中有效的颅内动脉瘤的数据提取出来，有一些数据是没有动脉瘤，不作为训练数据，此外标签值1是未破裂的动脉瘤，标签值2是治疗过或破裂的动脉瘤，挑战的目的是自动检测或分割未治疗，未破裂的动脉瘤（标签0与标签1）。因此，不需要检测已治疗的动脉瘤的方法。
统计所有可用数据的spacing大小和图像大小，平均值分别是（0.352，0.352，0.547），（556，556，132），血管肿瘤的boundingbox平均值是（11，11，7.3）像素大小，将原始图像和Mask图像统一缩放到到spacing是（0.3，0.3，0.3）分辨率大小。
对金标准Mask进行分析得到每个颅内血管瘤的boundingbox，以boundingbox的中心裁切出（64，64，64）大小的区域出来。再对裁切出来的图像进行（5，95）像素范围截断并以均值为0，方差为1的归一化处理。
数据增强：为了增强样本的多样性，对裁切出来的数据进行5倍数据扩充，扩充策略是以下随机组合——随机旋转30度，x，y，z随机平移0.1大小，水平，垂直随机翻转等。
二、分割网络
网络主体采用的是VNet3d的结构，损失函数采用的是dice，学习率是0.001，dropout是0.5，迭代次数是20epochs，batchsize是6，优化器是AdamOptimizer。
三、网络训练和测试
训练损失结果和精度结果
在测试数据上通过人为指定颅内动脉瘤一个中心点坐标，然后再对该中心点截取（64，64，64）大小的区域来进行分割，分割结果如下所示，左图是金标准结果，右图是预测结果。
