Parse2022——肺静脉分割

今天将分享肺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。之前分享过Parse2022肺动脉分割，在此基础上再进行肺静脉分割。

一、Parse2022介绍

在医学图像分析领域研究肺动脉结构具有重要的临床意义，从 CT 中以高精度和低耗时分割肺动脉结构。肺动脉结构的分割有利于量化其形态变化以诊断肺动脉高压和胸外科手术。然而，由于肺动脉拓扑结构的复杂性，肺动脉拓扑结构的自动分割是一项具有挑战性的任务。

此外，具有良好标记的肺动脉的开放可访问的大规模CT数据很少（来自不同患者的拓扑结构的巨大变化使注释成为一个极具挑战性的过程）。缺乏良好标记的肺动脉阻碍了自动肺动脉分割算法的发展。

二、Parse2022任务

在 3D 肺部 CT 图像中分割肺动脉。

三、Parse2022数据集

数据集包含 200 个带有精细肺动脉标签的 3D 体素，这些对比增强 CT 肺血管造影 (CTPA) 数据来自中国哈尔滨医科大学的双源 64 层 CT 扫描仪。10名具有5年以上临床经验的专家参与了标签工作。注释是基于区域生长算法使用 MIMICS 软件进行的。

图像尺寸在 512*512*228 和 512*512*376 之间。这些图像的像素尺寸在0.50mm/pixel到0.95mm/pixel之间，切片厚度为1mm/pixel。图像将存储在.nii.gz 文件中。体素级分割注释为：0-背景，1-肺动脉。

训练用例、验证用例和测试用例的比例 ：训练案例：100（相对大量的数据用于训练稳健的模型）。开放验证案例：30个（相对较少的数据用于验证来自不同参与者的算法，通过验证数据集验证评估码，确保挑战的公平性。同时，相对较少的数据可以避免测试集数据分布的披露）。封闭测试用例：70 个（相对大量的数据用于公平的最终排行榜）。

四、技术路线

1、肺组织区域提取参考前一篇实现Parse2022——肺动脉分割挑战赛，这里不多赘述。

2、统计肺组织ROI区域的大小和Spacing大小，将图像缩放到固定Spacing大小（0.7，0.7，0.7），并对图像进行（-600，600）截断，然后采用均值为0，方差为1的方式进行归一化处理，然后将数据分成训练集和验证集，分别对训练集和验证集中的肺组织里随机提取20个patch（patch的mask前景像素个数百分比大于1%），patch大小是256x160x256。

4、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是200，损失函数采用二分类的dice和交叉熵。

5、训练结果和验证结果

6、验证集结果，左图是金标准结果，右图是预测结果。

7、测试集结果。

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。