ADAM动脉瘤检测和分割挑战三

白癜风的偏方 http://pf.39.net/bdfyy/bdfyw/160313/4786525.html
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.，0.，0.），（，，），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.，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。最新医学影像技术