0
点赞
收藏
分享

微信扫一扫

ADAM——动脉瘤检测和分割挑战(二)

老王420 2022-07-27 阅读 88

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。

ADAM——动脉瘤检测和分割挑战(二)_归一化

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

ADAM——动脉瘤检测和分割挑战(二)_数据_02

ADAM——动脉瘤检测和分割挑战(二)_归一化_03

验证集损失结果和精度结果

ADAM——动脉瘤检测和分割挑战(二)_归一化_04

ADAM——动脉瘤检测和分割挑战(二)_归一化_05

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。

850

8

0

441

ROC曲线是0.999176,曲线如下

ADAM——动脉瘤检测和分割挑战(二)_归一化_06

其他评价指标


precision

recall

f1-score

support

0.0

1.00

0.99

1.00

858

1.0

0.98

1.00

0.99

441

avg / total

0.99

0.99

0.99

1299


举报

相关推荐

0 条评论