今天将分享脑微出血检测的第一步热力图回归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、数据分析与预处理
首先将训练中有效的颅内微出血区域的数据提取出来，有一些数据没有微出血区域，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72例数据，有微出血的数据有49例。
分析这49例数据的基础信息：图像平均大小[373.33333333, 373.33333333, 83.375], 图像Spacing平均大小[0.75895175, 0.75895175, 2.7124758 ], 微出血平均大小[4.93360996, 4.55186722, 2.17012448]。
然后根据每个微出血区域的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微出血区域的中心点坐标，高斯Sigma的数值是boundingbox的最大值，如果一个图像上有多个微出血，将所有微出血的高斯热力图相加即可，效果图如下所示，左图是微出血原始图和mask图，右图是高斯热力图。
2、准备2d和3d训练数据
2.1、3d数据准备
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），对图像进行（5，95）的均值为0，方差为1的归一化处理。
2.2、2d数据准备
将图像首先按照xy方向大小缩放到（512，512）大小，然后按照z方向分析热力图二维图，判断是否有热力图结果，如果有的话就将该二维热力图和二维图像进行保存，其中图像进行（5，95）的均值为0，方差为1的归一化处理。
3、搭建回归网络结构
3.1、3d回归网络
模型采用的是VNet3d主体结构，最后一层的激活函数设置成线性及无激活函数，损失函数采用的是L2-loss，学习率是0.001，droupout是0.5，迭代次数是600，训练数据一共48例，迭代次数是600epochs，bathsize是1，优化器是RMSPropOptimizer。
3.2、2d回归网络
模型采用的是VNet2d主体结构，最后一层的激活函数设置成线性及无激活函数，损失函数采用的是L2-loss，学习率是0.001，droupout是0.5，迭代次数是300，训练数据一共323例，迭代次数是300epochs，bathsize是1，优化器是RMSPropOptimizer。
4、网络训练结果
3d回归网络损失函数曲线如下所示。
2d回归网络损失函数曲线如下所示。
5、网络预测结果
在1例数据上进行测试，3d和2d热力图结果如下所示，可以看到有很多候选区域，接下来需要对这些候选区域进行分类，进一步减少假阳性区域。
