Shifts Challenge 2022——评估真实数据的稳健性和不确定性

今天将分享多模态MR多发性硬化症分割完整实现版本，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、Shifts Challenge 2022介绍

多发性硬化症 (MS) 是一种使人衰弱、无法治愈和发展的中枢神经系统疾病，对个人的生活质量产生负面影响。据估计，每五分钟就有一个人被诊断出患有 MS，到 2020 年将达到 280 万例，并且 MS 在女性中的患病率是男性的 2 到 4 倍。磁共振成像（MRI）在疾病诊断和随访中起着至关重要的作用。但是，人工注释成本高、耗时且容易出错。基于机器学习的自动方法可以在跟踪 MS 病变时引入客观性，并提高效率。但是，用于机器学习方法训练图像的可用性是有限的。没有完全描述病理学的异质性的公开可用数据集。此外，MRI 扫描仪供应商、配置、成像软件和医务人员的变化导致成像过程的显著变化。在从多个医疗中心收集图像时这些差异会加剧，这表示了基于 ML 的 MS 检测模型的显著分布偏差，从而降低了自动化模型在真实情况下的适用性和稳健性。开发稳健的 MS 病变分割模型对于提高越来越多的 MS 患者可获得的医疗护理的质量和吞吐量是必要的。降低自动化模型在现实条件下的适用性和稳健性。开发稳健的 MS 病变分割模型是非常必要的，这给越来越多的多发性硬化症患者提高了医疗服务的质量。

二、Shifts Challenge 2022任务

在磁共振图像 (MRI) 中分割多发性硬化症 (MS) 的白质病变 (WML)。这涉及生成 3D 每体素分割掩码，将每个体素识别为病变组织或非病变组织。

三、Shifts Challenge 2022数据集

预处理：包括去噪、将T1加权配准到FLAIR后的头骨剥离、偏置场校正和插值到1mm等体素空间。真实掩码也被插值到1mm等体素空间，并作为多个专家注释器的共识获得（并且作为 Best 和 Lausanne 的单个掩码，它们只有 2 个注释器）。

数据分为：域内拆分： Trn（训练）、Evl_in（评估）和 Dev_in（开发）；分布外转移拆分：Dev_out（转移开发）和 Evl_out（转移评估）。

文件结构：第一级目录代表源数据集的划分。二级目录代表拆分。为了获得完整的训练集，结合来自 ISBI/Trn/ 和 MSSeg/Trn 的数据。第三级目录包含模态：FLAIR、gt（ground truth）、fg_mask（foreground mask）、T1（T1-weighted）。

四、技术路线

分析三个中心的多模态MR数据，采用T1，T2，Flair三个模态作为输入来预测多发性硬化症病变区域。

1、提取人脑ROI，由于数据都是预处理完的，根据头骨区域Mask的最大连通域分析得到人脑ROI区域。

2、分析ROI的平均大小是136x167x133，平均spacing大小是1x1x1，因此将图像缩放到固定大小160x176x160，然后对图像进行像素范围（1，99）的截断，再使用z-score方式对图像进行归一化处理。数据一共有98例，其中88例用于训练，10例用于验证，对训练集数据进行10倍数据增强（旋转，翻转操作）。

3、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是3，epoch是200，损失函数采用二值dice和ce。

4、训练结果和验证结果

5、验证集分割结果

左图是金标准结果，右图是预测分割结果。

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，点击原文链接即可访问。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。