ADAM——动脉瘤检测和分割挑战(二)

今天将分享动脉瘤检测和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。

针对非血管瘤区域，在整个图像上随机裁切（64，64，64）大小的区域出来，针对血管瘤区域，根据连通域分析Mask得到每个血管瘤的boundingbox，并在该区域内随机获取三维点坐标，并以此为中心裁切（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。

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，dropout是0.5，迭代次数是20epochs，batchsize是12，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

混淆矩阵如下所示，只有8例非颅内血管瘤被分成是颅内血管瘤。具体指标参数如下所示。

ROC曲线是0.999176，曲线如下

其他评价指标