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。