今天将分享NODE21肺结节检测和生成挑战赛中肺结节检测的完整实现过程，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、结节检测技术路线
由于数据中存在结节阳性和阴性数据，所以第一步需要进行结节阳性和阴性分类，第二步针对阳性结节数据再检测结节边界框。
二、肺结节二分类
1、数据处理，读取csv文件，将标签是1和0的图像分别存储到1和0的分类指定目录下；
2、对图像进行线性插值缩放：将图像大小统一到512x512，并采用均值为0，方差为1的方式对图像进行归一化；
3、将数据分成训练集，验证集和测试集，分配比例是8：1：1，分析发现训练集数据中正负样本比例大概是1：3，这里需要对正样本训练数据进行2倍扩充处理。
4、网络采用的是VGG16网络结构，损失函数是交叉熵，学习率是0.001，droupout是0.5，epoch是30，batchsize是16。
5、训练结果
训练损失函数
训练精度函数
验证损失函数
验证精度函数
6、测试集结果
测试数据混淆矩阵
ROC曲线及ROC数值
分类指标
precision recall f1-score support
0.0 0.97 0.99 0.98 381
1.0 0.95 0.90 0.92 109
avg/total 0.97 0.97 0.97 490
三、肺结节二类分割
1、数据处理，读取csv文件，只将标签是1的数据读取，通过肺结节框绘制对应mask，同时如果一张图像上有多个肺结节，将多个肺结节框绘制在一个mask上。
2、对图像和mask进行插值缩放：将图像和mask大小统一到512x512，采用均值为0，方差为1的方式对图像进行归一化；
3、将分类数据中对应训练集，验证集和测试集是标签为1的数据，做为二类分割所对应的训练集，验证集和测试集数据。
4、网络采用的是VNet2d网络结构，损失是二值dice，学习率是0.001，droupout是0.5，epoch是20，batchsize是6。
5、训练结果
训练损失函数
训练精度函数
四、测试集结果
原始图像，金标准结果（红色框）和预测结果（绿色框）
