0
点赞
收藏
分享

微信扫一扫

QUBIQ2021——医学分割结果的不确定性挑战

今天将分享医学量化挑战中不确定性的完整实现过程,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。

QUBIQ2021——医学分割结果的不确定性挑战_数据集

1、比赛介绍

QUBIQ 挑战涉及对生物医学图像分割中的不确定性进行量化的基准算法。参与者将从事二值化分割任务,所有这些任务都带有领域专家的多个注释。要分割的是 MR 或 CT 图像数据中的各种病理和解剖结构,例如脑、肾或前列腺。

目的是为了量化临床图像中手动描绘病变和器官轮廓的观察者间变异性,为临床决策和自动分割算法的评估建立参考标准。据观察,不同结构和观察者的手动描绘差异很大,跨越各种结构和病理的范围很广。这种可变性——截至目前在医学图像量化的计算机化算法的设计中没有得到充分考虑。

训练和测试数据将包含四个不同 CT 和 MR 数据集中的 7 个二值分割任务。一些数据集包含多个二值分割(子)任务,例如,需要分割肿瘤或解剖结构的不同子结构。所有数据集都有大约 50 到 100 个案例,每个案例都有一个选定的 2D 切片。每个感兴趣的结构由不同的专家分割三到七次,并提供单独的分割。任务是描绘给定切片中的结构,并很好地匹配专家注释的分布或扩展。数据相应地分为四个不同的图像集,并且对于这些集中的每种情况,每个分割任务都给出了二值化标签。以下数据和任务可用:

- 前列腺图像(MRI):55个案例,两个分割任务,6个注释(除了一个主题只有5个注释);

- 脑发育图像(MRI):39 例,1 个分割任务,7 个注释;

- 脑肿瘤图像(多模态 MRI):32 个案例,三个分割任务,三个注释[请注意:此数据集将在不久的将来收到额外的案例];

- 肾脏图像(CT):24例,1个分割任务,3个注释;

每个参与者必须对给定的二元结构进行分割,并通过返回一个连续值在 0 到 1 之间的掩码来预测专家标签的分布,该掩码应该重现专家的累积分割。通过在预定义的阈值下对连续标签进行阈值处理并使用 Dice 分数计算所得二元体积的体积重叠(连续地面真相标签是通过对多个专家注释进行平均获得)来比较预测和连续真实标签。为此,ground truth 和预测在十个概率级别(即 0.1、0.2、...、0.8、0.9)进行二值化。所有阈值的骰子分数将被平均。


二、技术路线

A、以婴儿大脑发育分割为例,首先加载所有的数据和不同医生标注图像,将图像先进行数值上下截断(1,99),再将所有医生标注结果,按照通道进行拼接,这里有七个不同医生标注,所以生成7个通道的Mask数据。

B、数据增强20倍,平移,旋转,翻转等变换增加数据多样性。

C、采用Vnet2d网络结构进行分割,损失函数采用的是dice损失,学习率是0.001,dropout是0.5,训练epoch是10,batchsize是24,网络输入大小是256x256x1,输出大小是256x256x7.

D、损失函数计算是每一个通道进行计算dice,最后再通过加权平均所有通道的损失作为最终损失值。

E、损失函数和精度结果

QUBIQ2021——医学分割结果的不确定性挑战_数据_02

QUBIQ2021——医学分割结果的不确定性挑战_数据集_03

F、测试数据结果

在一例测试数据上进行分割,左图是不同医生标注数据,右图是对应网络预测结果。

QUBIQ2021——医学分割结果的不确定性挑战_数据_04

QUBIQ2021——医学分割结果的不确定性挑战_数据集_05

QUBIQ2021——医学分割结果的不确定性挑战_数据_06

QUBIQ2021——医学分割结果的不确定性挑战_数据集_07

QUBIQ2021——医学分割结果的不确定性挑战_二值化_08

QUBIQ2021——医学分割结果的不确定性挑战_数据集_09

QUBIQ2021——医学分割结果的不确定性挑战_数据_10

举报

相关推荐

0 条评论