今天将分享动血管周围间隙扩大计数的第三步二值化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
首先将训练中有效的颅内血管周围间隙扩大区域的数据提取出来，有一些数据是没有血管周围间隙扩大区域的，不作为训练数据，此外标签值只分析是1的，其他标签值都是0。一共40例数据，有血管周围间隙扩大的数据有13例。
分析这13例数据的基础信息：图像平均大小[216.91666667, 262.75, 160.66666667], 图像Spacing平均大小[0.74414051, 0.74414051, 0.89999983], 血管周围间隙扩大平均大小[2.1797005 , 1.85024958, 1.537913]。可以看到血管周围间隙扩大的区域非常小，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周围间隙扩大的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。
数据增强：为了增强多样性，对裁切出来的数据进行5倍数据扩充，随机旋转30度，x，y，z随机平移0.1大小，水平，垂直随机翻转等。
二、分割网络
网络主体采用的是VNet的网络，损失函数采用的是二值dice，学习率是0.001，droupout是0.5，迭代次数是20epochs，batchsize是6。训练数据一共有4631例，优化器是AdamOptimizer。
三、网络训练和测试
训练损失结果和精度结果
在测试数据上通过人为指定一个中心点坐标，然后再对该中心点（64，64，64）的三个模态图像区域进行分割，分割结果如下所示，左图是金标准结果，右图是预测结果。
