今天将分享纤维化肺病的气道树分割和基于定量 CT成像生物标志物的死亡率预测在测试集上docker推理完整实现版本，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、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、AIIB23数据集
从多中心收集了312例病例（262例来自纤维化肺病患者，50 例来自 COVID-19 患者）并纳入了这项挑战。气道结构由三位经验丰富的放射科医生精心注释。训练集120例，验证集52例，测试集140例
从多中心收集了237 例病例包含患者的 CT 扫描以及 CT 扫描后 63 周后记录的相应死亡率状态，0 代表在 63 周内死亡的患者，1 代表存活的患者。训练集95例，其中36例是死亡，59例是存活，验证集53例，测试集90例
任务1指标：IoU，DLR（检测长度比。根据专家注释的总长度（根据气道中心线计算）正确检测到的分支的长度），DBR（检测到的分支比。正确检测到的分支占总分支的比率），Precision（体素精度），leakages（总假阳性体积与金标准体积的比例），总分 = (IoU Precision DBR DLR)* 0.25 * 0.7 ( 1 -leakages)* 0.3
任务2指标：准确性：衡量预测的整体正确性；AUC（曲线下面积）：评估模型区分已故患者和活着患者的能力；灵敏度：衡量模型正确识别已故患者的能力；特异性：评估模型正确识别存活患者的能力；F1 score：结合精确率和召回率来评估模型的整体性能。
四、Docker推理运行气道树分割模型和预测肺纤维化生存率分类模型
气道树分割和肺纤维化生存率分类模型实现参考这篇文章，AIIB23——纤维化肺病的气道树分割和基于定量 CT成像生物标志物的死亡率预测，Docker部署气道树分割模型和预测肺纤维化生存率分类模型实现参考这篇文章AIIB23——纤维化肺病的气道树分割和基于定量 CT成像生物标志物的死亡率预测docker部署。
1、加载气道树分割模型和肺纤维化生存率分类模型
代码语言：javascript复制docker load junqiangmler-task1.tar
docker load junqiangmler-task2.tar2、运行模型
代码语言：javascript复制docker run -it --gpus=all --rm -v D:cjqprojectpythonchallenge_pytorchAIIB2023_dockerinput:/input -v D:cjqprojectpythonchallenge_pytorchAIIB2023_dockeroutput:/output -it junqiangmler-task1docker run -it --gpus=all --rm -v D:cjqprojectpythonchallenge_pytorchAIIB2023_dockerinput:/input -v D:cjqprojectpythonchallenge_pytorchAIIB2023_dockeroutput:/output -it junqiangmler_task23、测试集推理结果
在AIIB23比赛上，最终提交docker模型后在测试集上对于气道树分割排名是第10名，预测纤维化生存率分类排名是第3名。
如果需要docker模型文件，请后台留言获取。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。
