2022ATM——气道树分割挑战赛（二）

今天将分享气道树深度学习网络分割完整实现版本，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、ATM挑战赛介绍

气道分割是分析包括哮喘、支气管扩张和肺气肿在内的肺部疾病的关键步骤。基于X射线计算机断层扫描（CT）的精确分割可以定量测量气道尺寸和壁厚，从而可以揭示慢性阻塞性肺病（COPD）患者的异常情况。此外，支气管镜辅助手术中的导航需要从 CT 图像中提取患者特定的气道模型。然而，由于肺气道结构细粒度，人工标注耗时、容易出错，并且高度依赖临床医生的专业知识。

Bruijne 等人。[1] 在 2009 年举办了“Extraction of airways from CT (EXACT'09)”挑战赛（http://image.diku.dk/exact/index.php?），他们专注于以多阈值、模板匹配和区域增长为主的半自动化和自动化算法，旨在减轻人工勾画的负担，帮助临床医生探索肺炎对气道的影响。但是此传统算法在提取外周小支气管时面临困难，并且存在气道泄漏的风险。随着深度学习方法的进步，全卷积网络（FCN）在体积医学数据的分割任务中取得了最先进的性能。大多数深度学习方法都是数据驱动的，而 EXACT'09 仅包含 20 例训练 CT 扫描和 20 例测试 CT 扫描，这对于人工智能时代来说是不够的。

二、ATM22任务

从胸部CT扫描中分割提取气道树结构，此外需要开发设计稳健的算法，可以提取具有高拓扑完整性和准确性的气道树结构供临床使用。

三、ATM22数据集

ATM22从多中心收集了500例CT扫描（300 例用于训练，50 例用于验证，150 例用于测试）。胸部 CT 扫描是从公共 LIDC-IDRI 数据集 [2] 和上海胸科医院收集的。每次胸部CT扫描首先通过一些强大的深度学习模型和集成策略进行预处理以获得初步的分割结果，然后由三位具有五年以上专业经验的放射科医师仔细勾画和双重检查，以获得最终的细化气道树结构。

四、评估指标

目标是分割准确的气道树模型。一方面，二元气道分割结果中只保留最大连通域结果，为了衡量结果的完整性和连通性，使用树长检测率（TD）和分支检测率（BD），具体来说，TD是正确检测到的相对于参考标签中总树长的分数，BD是正确检测到的分支相对于参考标签中存在的分支总数的百分比，如图1显示了气道结构的解析。另一方面，我们使用 Dice 相似度系数和精度的度量来衡量重叠分割精度。因此，我们最终在测试阶段选择以下指标：[1] 树长检测率（TD）和树枝检测率（BD），[2] 骰子相似系数 (DSC) 和精度。

五、技术路线——深度学习分割方法

1、2022ATM——气道树分割挑战赛该篇是采用传统无监督海森矩阵来分割气管结构，可以看到肺组织内气管分割结果不是很好，测试集结果排行如下。因此本文针对肺组织内气管采用Vnet3d来分割。

2、肺组织区域提取参考前一篇实现，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（0.8，0.8，0.5），并对图像进行（-1024，-500）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、训练集部分结果

训练损失结果和精度结果

验证损失结果和精度结果

6、验证集结果，左图是金标准结果，右图是预测结果。

7、分析上面的结果，可以看到虽然气管树都分割出来了，但是有很多假阳性目标也被分割出来了，为了进一步减少假阳性，我们在传统无监督方法Mask结果上进行滑窗提取patch进行AI分割，最后根据传统无监督方法结果的区域获取对应AI分割结果的对应区域，以此得到最后的气管结构，左图是验证集金标准结果，右图是验证集预测结果。