今天将分享劲动脉血管壁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、比赛简介
在这一挑战中，任务是以高精度和鲁棒性从3D-MERGE图像中分割血管壁。而分割不同身体区域的挑战是不同的，所有血管壁分割要求的基本步骤是识别动脉（定位）、内腔和外壁分割，然后可以测量壁厚（内腔和外壁轮廓之间的差异）。其他临床上可用的测量值，例如管腔面积或狭窄百分比也可以从血管壁分割中得出。因此， 这一挑战着重于血管壁分割的重要第一步。
采用的是快速3D颈动脉黑血MRI 序列的颈动脉血管壁数据，数据都是轴向分割的3D图像体积。由于冠状扫描，切片具有各种图像质量。通常，中间只有几百个切片的图像质量足以满足血管壁的需要。在训练和测试集中仅标记具有可观察到的血管壁的切片。 提供25例各种颈动脉血管壁状况的病例作为训练集。使用定制的血管壁注释软件（CASCADE），可在约20％的切片上提供双侧颈动脉血管壁上的手动血管壁轮廓，足以进行血管壁诊断（总共2584 片）。用于分析的颈动脉包括颈内动脉，颈总动脉和颈外动脉。
每种情况下可能会有多个.QVS文件。每个都是一条动脉的血管壁。QVS文件的同一切片中不会有多个动脉的轮廓。轮廓显示结果如下所示，蓝色是血管壁轮廓，红色是血腔轮廓。
二、技术路线
大致思路是先初步找到血管壁和血管腔的位置区域，然后在该区域里在进行进一步分割，具体实现步骤：
1、将轮廓文件转换成图像Mask图像。训练数据只有20例数据，但是标注轮廓是在二维图像上标注的，所有需要将每个轮廓和对应的二维图像提取出来生成图像和Mask图像。官方以提供代码可以提取轮廓，点击原文连接即可访问。生成的图像和Mask图像如下所示。
2、由于图像中很多区域是背景区域，所以需要将图像中背景是0的区域切除。生成的ROI图像如下所示。将数据分成训练和测试数据。
3、粗分割定位血管壁区域
3.1、分析所有图像的大小，平均大小是107x449，所以将所有的图像和mask都缩放到128x448大小。Mask区域只有背景（0），前景（1）将血管壁和血管腔合并成一个区域。
3.2、图像归一化，采用上下阈值范围99%和1%进行截断，然后在用均值是0和方差是1的方式进行归一化。
3.3、网络采用的是VNet2d结构，损失是二值dice，学习率是0.001，droupout是0.5，epoch是10，batchsize是24。
3.4、训练结果
损失函数结果：
精度结果：
4、精分割血管壁区域
4.1、分析所有Mask有效区域的大小，平均大小是26x26，所以根据Mask的每个有效轮廓区域进行中心提取，然后以此为中心裁切出96x96大小区域出来，在对应原始图像上也同样裁切出96x96大小区域出来。
4.2、图像归一化，采用上下阈值范围99%和1%进行截断，然后在用均值是0和方差是1的方式进行归一化。
4.3、网络采用的是VNet2d结构，损失是多类focalloss，学习率是0.001，droupout是0.5，epoch是10，batchsize是32。
4.4、训练结果
损失结果：
精度结果：
5、级联分割血管壁和血管腔
5.1、输入测试图像，将图像缩放到128x448，然后采用上下阈值范围99%和1%进行截断，然后在用均值是0和方差是1的方式进行归一化。
5.2、输入到粗定位分割定位网络进行分割，然后将分割结果缩放到输入测试图像大小。
5.3、对粗定位分割结果进行连通域分析，获取每个连通域的中心点，然后根据中心点从原始图像中裁切出96x96的区域出来。
5.4、将每个切出来的ROI区域输入到精分割网络进行分割，然后三类分割，然后将分割结果放到原始图像大小的Mask区域中去。
下面是测试数据部分结果。
第一例：分别是原始图像，金标准图像，粗分割图像，精分割图像
第二例：分别是原始图像，金标准图像，粗分割图像，精分割图像
第三例：分别是原始图像，金标准图像，粗分割图像，精分割图像
