当前栏目
ADAM——动脉瘤检测和分割挑战(四)
今天将分享动脉瘤检测和分割的三个步骤级联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
回顾一下前面数据分析与处理过程:
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。
1.1、热力图回归检测数据处理
然后根据txt中的动脉瘤的图像中心线点坐标和半径值,生成该点处的高斯热力图。为了将整个图像输入到网络中去,需要对原始图像和热力图进行大小缩放,由于显卡是1080TI的11G显存的大小,所以图像缩放到固定大小(160,160,64),对图像进行(5,95)范围的均值为0,方差为1的归一化处理。
1.2、二类分割数据处理
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。
1.3、二类分割数据处理
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。并对数据进行数据增强处理。
二、三个级联网络结构预测流程
2.1、输入原始图像,将图像缩放到(160,160,64)大小,对缩放后图像进行(5,95)像素范围截断并以均值为0,方差为1的归一化处理。
2.2、输入到热力图回归网络中预测,对结果进行二值化处理,然后再缩放回到原始图像大小。
2.3、对原始图像和二值化预测热力图结果,分别缩放到spacing分辨率是(0.3,0.3,0.3)大小。
2.4、对采样后的二值热力图进行连通域分析,获得每个连通域边界框范围。
2.5、以步长(32,32,32)来遍历边界框,裁切一系列的(64,64,64)大小的ROI图像区域,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。
2.6、输入到二值分类网络中去,如果预测标签值为1,那么就进一步分割,将一系列的分割结果进行求和处理,直到遍历分割完,接着处理下一个连通域。
2.7、对最后分割结果进行二值化处理,非0区域设置成1,得到动脉瘤分割结果。
2.8、最后再采样到原始图像大小,最后输出成预测的分割结果。
三、预测结果
下图是整个图像上的金标准结果和级联网络的预测结果,可以看到预测结果还是存在一些假阳性结果,左图是金标准,右侧是预测结果。
再看一下是局部血管瘤的金标准结果和预测结果,左图是金标准,右侧是预测结果。
相关文章
- ADAM——动脉瘤检测和分割挑战(三)
- 公共场所人流数据统计如何实现?解决重识别、漏检等检测难题
- [系统安全] 三十六.学术分享之基于溯源图的攻击检测安全顶会论文总结
- 睿智的目标检测26——Pytorch搭建yolo3目标检测平台[通俗易懂]
- 目标检测YOLO系列算法的进化史
- Notch 信号通路的抑制剂、检测 | MedChemExpress
- CVPR2022|谷歌 实时3D人体关键点检测&姿态估计,已加入mediapipe!论文速递2022.9.14!
- Golang模拟实现任务调度状态检测
- 采用开源Zabbix+500块硬件平替5万块动环检测系统,实现UPS、温湿度、烟雾等数据采集、存储、告警、大屏展示
- AI探索太阳系:从检测月球巨石,到挑战火星“恐怖七分钟”
- WPJAM Debug:一键检测 WordPress 运行效率
- 空间Linux检测磁盘空间:深入分析(linux检测磁盘)
- Linux系统中检测内存泄漏的技术(linux内存泄漏检测)
- 深入学习 Linux nm 命令,精准地检测编译后的程序(linux下nm命令)
- 检测邮箱地址是否合法CheckMailAddress(For:IE5+、FF1.06、Opera7+...)[
- jquery检测inputchecked控件是否被选中的方法