今天将分享脑血管间隙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血管间隙区域的数据提取出来，有一些数据没有血管间隙区域，不作为训练数据，在这里只分析标签值1，其他标签都是0。以一共40例数据，有血管间隙的数据有22例。
1.1、热力图回归检测数据处理
然后根据每个血管间隙区域的boundingbox的中心和大小，生成该点处的高斯热力图，高斯热力图的中心就是血管间隙区域的中心点坐标，高斯Sigma的数值是boundingbox的最大值，如果一个图像上有多个血管间隙，将所有血管间隙的高斯热力图相加即可。
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（128，128，96）。
1.2、二类分割数据处理
由于血管间隙的区域非常小，所以采用spacing缩放方式将原始图像和Mask图像统一到（0.3，0.3，0.3）。针对非血管间隙区域，在整个三个模态图像上随机裁切出200个（64，64，64），针对血管间隙区域，根据连通域分析Mask得到每个血管间隙的boundingbox，在该区域内随机获取点，并以此为中心裁切（64，64，64），裁切的个数是200/连通域个数。再对裁切出来的图像进行（5，95）的均值为0，方差为1的归一化处理。
1.3、二类分割数据处理
由于血管间隙的区域非常小，所以采用spacing缩放方式将原始图像和Mask图像统一到（0.3，0.3，0.3）。对Mask进行连通域分析得到每个血管间隙的boundingbox，以boundingbox的中心裁切出（64，64，64），对裁切出来的三个模态图像进行（5，95）的均值为0，方差为1的归一化处理。
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（128，128，96）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3d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，得到血管间隙的区域结果。
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。
