今天将分享基于CT/PET图像头颈肿瘤分割和无复发生存预测完整实现版本，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、HECKTOR2022介绍
头颈癌（H&N）是全球最常见的癌症之一（发病率排名第五）。放疗已被确定为标准治疗。然而，局部区域放疗失败仍然是一个主要挑战，在治疗后的前两年内，有多达 40% 的患者。最近，提出了几项基于正电子发射断层扫描 （PET） 和计算机断层扫描 （CT） 成像的放射组学研究，以非侵入性方式更好地识别预后较差的患者，并利用已经可用的图像（例如这些用于诊断和治疗计划的图像）。这些方法非常有前途，在100-400名患者身上得到了验证。需要对更大的队列（例如500-3000名患者）进行进一步验证，以确保变量数量和观察值之间的适当比率，以避免高估泛化性能。要实现这样的验证，需要在三维上手动描绘每个患者的原发肿瘤和淋巴结转移，这是棘手且容易出错的。
通过分别关注代谢和形态组织特性，PET 和 CT 模式包括癌变分割的互补和协同信息，以及与患者预后预测可能相关的肿瘤特征，以及通常的临床变量（例如年龄、性别、治疗方式）。需要开发现代图像分析方法，更重要的是，必须对其进行严格评估，以便提取和利用这些信息。
二、HECKTOR2022任务
任务 1：PET/CT图像中的原发肿瘤（GTVp）和淋巴结（GTVn）分割。
任务 2：基于PET/CT图像和可用临床信息的无复发生存期（RFS）预测。
三、HECKTOR2022数据集
所有PET/CT图像都在imagesTr 文件夹中。名称约定为 CenterName_PatientID__Modality.nii.gz 。原发肿瘤 （GTVp） 和淋巴结 （GTVn） 分割位于 labelsTr 文件夹中，包含在每个患者的一个 .nii.gz 文件中。分割标签1是GTVp，标签2是GTVn。每位患者的临床信息包含在hecktor2022_clinical_info_training.csv中，包括中心、性别、年龄、体重、吸烟和饮酒、体能状态 （Zubrod）、HPV 状态、治疗（手术和/或化疗以及所有患者接受的放疗），某些患者可能缺少某些信息。hecktor2022_patent_endpoint_training.csv 中提供了生存事件以及放疗结束事件或最后一次随访之间的时间（以天为单位）。任务 2 的此文件中仅包含完整反馈的患者，因此与任务 1 所用临床数据文件中的图像数量和病例数相比，病例数较少。
训练和测试案例是一个FDG-PET和CT。出于任务1的目的，提供了带有注释的真实肿瘤的轮廓。标签有三个值：值为 0 的背景、值为 1 的原发性肿瘤总体积 （GTVp） 和值为 2 的淋巴结总肿瘤体积 （GTVn）（如果有多个淋巴结，则认为它们都具有相同的标签）。出于任务 2 的目的，提供了 RFS（以天为单位的事件发生时间和审查）的患者结果信息（仅适用于参与团队的培训案例）。病例总数为845例，任务1和任务2的训练案例总数分别为 524 和489 个。训练数据来自 7 个不同的中心，没有提供特定的验证案例，训练集可以以任何方式拆分以进行交叉验证。来自3个中心的356个测试用例总数。
训练数据集根据以下文件夹结构进行组织：
测试数据集根据以下文件夹结构进行组织：
四、技术路线
任务1、原发肿瘤（GTVp）和淋巴结（GTVn）分割
1、人体区域提取，首先使用固定阈值和最大连通域法获取整个人体ROI区域。
2、分析ROI图像，得到图像平均大小是508x321x135，因此将图像缩放到固定大小384x256x160。图像预处理，对步骤1的原始图像进行（-300，300）窗宽窗位截断，然后采用均值为0，方差为1的方式进行归一化处理。为了增加目标区域，对mask做形态学膨胀操作，核大小是5。
3、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是300，损失函数采用二类的dice和交叉熵。
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，右图是网络预测结果。
6、对原始mask进行形态学膨胀操作，然后根据mask的最大包含区域截取ROI。
7、分析ROI图像，得到图像平均大小是68x56x31，因此将图像缩放到固定大小128x128x128。图像预处理，对步骤6的原始图像进行（-300，300）窗宽窗位截断，然后采用均值为0，方差为1的方式进行归一化处理。
8、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是6，epoch是300，损失函数采用多类的dice和交叉熵。
9、训练结果和验证结果
10、验证集分割结果
左图是金标准结果，右图是网络预测结果。
任务2、无复发生存期（RFS）预测
1、对原始mask进行形态学膨胀操作，然后根据mask的最大包含区域截取ROI。
2、分析ROI图像，得到图像平均大小是68x56x31，因此将图像缩放到固定大小128x128x128。图像预处理，对步骤6的原始图像进行（-300，300）窗宽窗位截断，然后采用均值为0，方差为1的方式进行归一化处理。
3、搭建ResNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是16，epoch是300，损失函数采用L1。
4、训练结果和验证结果
5、验证集预测结果
左侧是网络预测结果，右侧是标准结果。
验证集分割与预测结果
测试集分割与预测结果
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。
