Parse2022——肺动脉分割挑战赛（二）

今天将分享肺动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。

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、Parse2022评估指标

根据血管半径将肺动脉血管分为多个级别，分别评估主干和分支的准确性。在最后的测试阶段，在每个测试用例的金标准中手动应用一个立方框来包含肺动脉干，然后使用相同位置的立方框切割参与者算法的输出，最终计算主干结构和分支结构的Dice 和 HD 系数。分割性能从以下四个方面进行评估：多级Dice相似系数（Dice）：Dice用于评估基于区域的重叠指数。多级豪斯多夫距离 (HD)：HD 用于评估表面的重合度，以确保稳定和对异常值敏感。运行时间：好的算法优先考虑低耗时。最大使用内存：低内存消耗表明在更广泛使用的计算平台中具有良好的应用潜力。

五、技术路线

1、由于肺动脉大小跨度很大，在肺组织内的肺动脉相对细小，而且分布范围大，但是在肺组织内部其对比度较高，而在心脏处的肺动脉相对大，且分布范围较小，但是其与其他动脉（主动脉），静脉（肺静脉）有连接，很难区分。前一篇是采用Vnet3d来分割心脏的肺动脉结构，再采用海森矩阵来分割肺组织内肺动脉结构。可以看到肺组织内肺动脉分割结果不是很好，因此本文针对肺组织内肺动脉也采用Vnet3d来分割。

2、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。

3、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（1，1，1），并对图像进行（-200，600）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80个patch（patch的mask前景像素个数百分比大于1%），patch大小是96x96x176。

4、搭建VNet3d网络，使用Adam优化器，学习率是0.001，batchsize是1，epoch是20，损失函数采用二分类的dice。

5、训练结果和验证结果

训练损失结果和精度结果