RAVIR2022——视网膜动脉和静脉分割和定量分析挑战赛

今天将分享眼底动静脉分割完整实现版本，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、RAVIR2022介绍

视网膜脉管系统为包括高血压和糖尿病在内的全身性疾病的诊断和监测提供了重要线索。在这种情况下，微血管系统主要受累，视网膜是唯一可以直接观察到微血管系统的解剖部位。长期以来，视网膜血管的客观评估一直被认为是系统性血管疾病的替代生物标志物，并且随着视网膜成像和计算机视觉技术的最新进展，该挑战赛提出红外反射 (IR) 成像中视网膜动脉和静脉的语义分割。它可以创建基于深度学习的模型，无需大量后处理即可区分提取的血管类型。

二、RAVIR2022任务

分割输出应该是一个包含动脉和静脉类的 PNG 文件。动脉和静脉类别的标签应分别为128和256。背景应该有一个标签0。

将为动脉和静脉类别的测试集中的每个图像计算 Dice 和 Jaccard 分数。排行榜是根据最好的平均骰子分数排序的。

三、RAVIR2022数据集

RAVIR 数据集中的图像是使用红外 (815nm) 扫描激光检眼镜 (SLO) 捕获的，它除了具有更高的质量和对比度外，受光学介质不透明度和瞳孔大小的影响较小。RAVIR 图像的大小为 768 × 768，使用具有 30° FOV 的 Heidelberg Spectralis 相机拍摄，并以便携式网络图形 (PNG) 格式压缩。图像中的每个像素的参考长度为 12.5 微米。RAVIR 数据集下载：https://drive.google.com/file/d/1jCvIBu35pBP3uGKvdOQpQ0cXRhViITPX/view

四、技术路线

1、采用简单处理，对图像进行缩放固定到512x512大小，图像采用均值为0，方差为1进行归一化，将数据分成训练（20张）和验证集（3张），其中训练集采用数据增强，扩充20倍。

2、搭建VNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是16，epoch是200，损失函数采用dice loss。

3、训练结果和验证结果

4、验证集分割结果，左图是眼底图像，中间是金标准图像，右图是分割图像

5、测试集部分分割结果

测试集排行榜结果

为了方便大家更高效地学习，我将代码进行了整理并更新到github上，点击https://github.com/junqiangchen/PytorchDeepLearing即可访问。由于之前都是使用tensorflow1.14的进行代码实验开发的，为了方便pytorch的朋友们也可以复现实验结果，我将tensorflow版本的代码翻译转换成pytorch版本的。

如果大家觉得这个项目还不错，希望大家给个Star并Fork，可以让更多的人学习。如果有任何问题，随时给我留言我会及时回复的。