CuRIOUS2022——超声脑肿瘤分割挑战赛

今天将分享超声脑肿瘤分割完整实现版本，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、CuRIOUS2022介绍

早期脑肿瘤切除可有效提高患者的生存率。然而，由于重力、给药、颅内压变化和组织切除等因素，术中脑组织移位通常会严重影响切除质量和安全性。这种组织移位可以使术前图像中显示的手术目标和重要结构（例如，血管）移位，而这些移位在外科医生的视野中可能不直接可见。术中超声 (iUS) 是一种强大且相对便宜的技术，用于跟踪术中组织移位和手术工具。iUS 中脑组织分割的自动算法，特别是脑肿瘤和切除腔，可以极大地促进通过图像配准进行脑移位校正的鲁棒性和准确性，并且可以轻松解释 iUS。这有可能改善手术结果和患者存活率。

二、CuRIOUS2022任务

包括两项任务：

任务 1：术中超声中的脑肿瘤分割

任务 2：术中超声中的切除腔分割

三、CuRIOUS2022数据集

对于每个临床病例，提供的数据是：术前 3T MRI 图像，包括钆增强的 T1w 和 T2 FLAIR 扫描。术中超声 (iUS) 图像，作为开颅手术后覆盖整个肿瘤区域的 3D 体积。提供了三个手术阶段（切除前、切除期间和切除后）的术中超声体积。术前 iUS 中脑肿瘤的分割以及切除期间和术后 iUS 中的切除腔，在患者知情同意后，用于挑战的所有医学图像均在 St Olavs 大学医院（挪威特隆赫姆）进行常规临床护理。成像数据以 MINC-2 和 NIFTI-1 格式提供，分割以 NIFTI-1 格式提供。所有图像、MRI、iUS 和分割都在同一个参考空间中。

训练数据集（23 例），地址下载：

https ://archive.norstore.no/pages/public/datasetDetail.jsf?id=10.11582/2017.00004

分割数据（脑肿瘤和切除腔）、RESECT-SEG 数据集，地址下载：https ://osf.io/6y4db 

对于每个临床病例，临床扫描被命名为：

术前 MRI： CaseXX-FLAIR.nii.gz 和 CaseXX-T1.nii.gz

术中超声，切除前： CaseXX-US-before.nii.gz

术中超声，切除期间： CaseXX-US-during.nii.gz

术中超声，切除后： CaseXX-US-after.nii.gz

iUS 中的切除前脑肿瘤： CaseXX-US-before-tumor.nii.gz

剖腹腔： CaseXX-US-during-resection.nii.gz

切除后腔： CaseXX-US-after-resection.nii.gz

评估指标——自动分割结果将使用 95% Hausdorff 距离、Dice 系数、Recall 和 Precision 进行评估。

四、技术路线

任务1：术前超声脑肿瘤分割

1、分割数据一共有23例，统计图像平均大小335x367x340，spacing平均大小是0.213x0.213x0.213，对图像进行缩放固定到160x160x160大小，并采用均值为0，方差为1进行归一化，将数据划分成训练集（20例）和验证集（3例），其中训练集进行10倍数据增强。

2、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是200，损失函数采用ce+dice loss。

3、训练结果和验证结果

4、验证集分割结果

左边是金标准结果，右边是预测结果

任务2：术中超声切除腔分割

1、分割数据一共有23例，统计图像平均大小335x367x340，spacing平均大小是0.213x0.213x0.213，对图像进行缩放固定到160x160x160大小，并采用均值为0，方差为1进行归一化，将数据划分成训练集（20例）和验证集（3例），其中训练集进行10倍数据增强。

2、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是200，损失函数采用ce+dice loss。

3、训练结果和验证结果

4、验证集分割结果

左边是金标准结果，右边是预测结果

任务3：术后超声切除腔分割

1、分割数据一共有23例，统计图像平均大小335x367x340，spacing平均大小是0.213x0.213x0.213，对图像进行缩放固定到160x160x160大小，并采用均值为0，方差为1进行归一化，将数据划分成训练集（20例）和验证集（3例），其中训练集进行10倍数据增强。

2、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是200，损失函数采用ce+dice loss。

3、训练结果和验证结果

4、验证集分割结果

左边是金标准结果，右边是预测结果

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。