今天将分享血管间隙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）。
对Mask进行连通域分析得到每个血管间隙的boundingbox，以boundingbox的中心裁切出（64，64，64），对裁切出来的三个模态图像进行（5，95）的均值为0，方差为1的归一化处理。
数据增强：为了增强多样性，对裁切出来的数据进行5倍数据扩充，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。
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、二分割网络
网络主体采用的是VNet的网络，损失函数采用的是二值dice，学习率是0.001，droupout是0.5，迭代次数是20epochs，batchsize是6。训练数据一共有1660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
在测试数据上通过人为指定一个中心点坐标，然后再对该中心点（64，64，64）的三个模态图像区域进行分割，分割结果如下所示，左图是金标准结果，右图是预测结果。
