VALDO2021——血管病变检测挑战赛之血管间隙分割（二）

今天将分享脑血管间隙分割的第二步二值化分类的完整实现过程，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血管间隙区域的数据提取出来，有一些数据没有血管间隙区域，不作为训练数据，在这里只分析标签值1，其他标签都是0。以一共40例数据，有血管间隙的数据有22例。

分析这22例数据的基础信息：图像平均大小[243.27777778, 298.5, 168.16666667], 图像Spacing平均大小[0.63042518,0.63042518,0.85555538], 血管间隙平均大小[5.05882353,5.62745098,3.70588235]。可以看到血管间隙的区域非常小，所以采用spacing缩放方式将原始图像和Mask图像统一到（0.3，0.3，0.3）。

针对非血管间隙区域，在整个三个模态图像上随机裁切出200个（64，64，64），针对血管间隙区域，根据连通域分析Mask得到每个血管间隙的boundingbox，在该区域内随机获取点，并以此为中心裁切（64，64，64），裁切的个数是200/连通域个数。再对裁切出来的图像进行（5，95）的均值为0，方差为1的归一化处理。

最后将数据分成训练集，验证集和测试集，比例是80%，10%，10%大小。

二、二分类网络

网络主体采用的是VGG16的残差连接网络，损失函数采用的是二值交叉熵，学习率是0.001，droupout是0.5，迭代次数是20epochs，batchsize是12。训练数据一共4551例，测试数据一共有500例，验证数据一共有500例，优化器是AdamOptimizer。

三、网络训练和测试

训练损失结果和精度结果

验证集损失结果和精度结果

在测试数据上进行测试

混淆矩阵是

ROC曲线是0.9938988371504278，曲线如下：

其他评价指标：