AIIB2023——task1&task2任务top3技术方案分享

今天将分享AIIB2023比赛top3技术方案，由于线上会议时间紧张，难免有些技术细节理解不到位，大家如果感兴趣可以留言一起讨论。

一、AIIB23介绍

气道相关定量成像生物标志物 (QIB) 对于肺部疾病的检查、诊断和预后至关重要，而手动描绘气道结构过于繁重。已经做出多项努力来提高自动气道建模的性能；然而，目前的数据集只关注气管变化较小的疾病，不包括复杂的肺部疾病。例如，纤维化肺病患者肺组织内的蜂窝结构使得注释更加复杂且容易出错。

尽管尚未建立进行性纤维化肺病的正式定义和评估标准，但一年时间的用力肺活量 (FVC) 下降是疾病进展监测的常用测量指标。然而，FVC的直接测量对实验室敏感，增加了跨国界临床研究的难度。因此，定量成像生物标志物 (QIB) 是FVC等肺生理学测量的有吸引力的替代方法，气道的微观变化是IPF进展评估的高度决定性标志物。QIB已成为疾病诊断、表征和预后的关键特征。但是现在没有用于肺纤维化诊断的通用QIB。在这一挑战中，基于AI的特征提取器引入了IPF研究界，期望调查QIB与死亡率预测之间的潜在相关性。这一挑战的主要目标是开发先进的人工智能 (AI) 模型，该模型可以根据从 CT 扫描中提取的信息准确预测肺纤维化患者的死亡率状况。CT 扫描提供肺部的详细图像，允许识别可能指示疾病进展和患者预后的相关的细微模式和特征。

二、AIIB23任务

任务1、从复杂的纤维化肺病中自动提取气道。

任务2、预测肺纤维化患者在固定观察时间内的生存率的二元分类。

三、top3技术方案

任务1、气道树分割

第一名微创医疗机器人团队

首先对CT图像进行预处理，并裁切patch图像，使用网络进行训练和推理得到patch分割结果，最后将patch结果恢复成原始大小并通过连通域分析得到最终分割结果。

图像预处理：采样和数据增强操作；窗宽窗位截断和归一化；patch采样策略（随机采样，骨架采样，困难气道树样本采样）；最小化困难样本。

网络模型：nnUNet（针对大中型气道树分割）和WingsNet（针对小型气道树分割）

损失函数：weighted general union loss，airway continuity loss和dice loss混合损失

后处理：采样逆变换成原始图像大小；连通域分析。

第二名上海交通大学团队

首先对CT图像进行肺叶提取，并裁切patch图像，使用两个网络进行训练和推理得到patch分割结果，并将两个网络的分割结果进行集成，最后将patch结果恢复成原始大小并通过连通域分析得到最终分割结果。

通用分割模型：nnUnet模型

特定分割模型：使用如下混合损失，包括dice loss，weighted jaccard loss,weighted cross entroy。

第三名推想科技团队

首先对CT图像进行肺部区域提取，并随机裁切patch图像，使用级联网络进行训练和推理得到patch分割结果，最后将patch结果恢复成原始大小并通过连通域分析得到最终分割结果。

肺部提取：首先使用固定阈值提取前景区域目标，然后用连通域分析得到不同的目标区域，再计算不同目标区域的中心坐标，体积等统计参数，最后将这些特征输入到SVM中得到分割结果。使用五折交叉验证方法训练模型。

分割模型：WingsNet

多个阶段训练：

阶段1：随机裁切patch，两通道数据输入（一个是原始数据，另一个是窗宽1500，窗位是-250的数据），采用数据增强，损失函数是dice。

阶段2：采样小气道数据25%（采样气道树中中心线到背景边界的最小距离小于等于1是小气道区域），对于没有中心线点的区域就使用中心点来代替采样50%，随机裁切patch25%。两通道数据输入（一个是原始数据，另一个是窗宽1500，窗位是-250的数据），采用数据增强，损失函数是dice。损失函数使用中心线距离和加权局部不平衡损失之和。

阶段3：采样小气道数据25%（采样气道树中中心线到背景边界的最小距离小于等于1是小气道区域），对于没有中心线点的区域就使用中心点来代替采样25%，随机裁切patch50%。两通道数据输入（一个是原始数据，另一个是窗宽1500，窗位是-250的数据），采用数据增强，损失函数是dice。损失函数使用中心线距离，加权局部不平衡损失和dice loss。