FLARE2022——快速且低资源的半监督CT影像腹部器官分割

一、FLARE2022介绍

腹部器官分割具有许多重要的临床应用，例如器官量化、手术计划和疾病诊断。然而，从 CT 扫描中手动注释器官既耗时又费力。因此，我们通常无法获得大量的标记案例。作为一种潜在的替代方案，半监督学习可以从未标记的案例中探索有用的信息。将FLARE 2021 挑战赛从完全监督设置扩展到半监督设置，重点关注如何使用未标记数据。FLARE 2022 挑战赛具有三个主要特点：

任务：使用半监督设置，重点关注如何使用未标记的数据。

数据集：整理了一个大规模且多样化的腹部 CT 数据集，包括来自20多个医疗团体的 2300个CT扫描。

评价指标：不仅关注分割精度，还关注分割效率和资源消耗。

二、FLARE2022任务    

腹部器官分割，包括肝、脾、胰、右肾、左肾、胃、胆囊、食管、主动脉、下腔静脉、右肾上腺、左肾上腺、十二指肠13个器官。

三、FLARE2022数据集

训练集中提供50 个标记的胰腺疾病病例和 2000 个未标记的肝脏、肾脏、脾脏或胰腺疾病病例；肝、肾、脾、胰疾病50例用于验证；200个隐藏案例用于测试，其中肝、肾、脾、胰疾病100例，子宫体子宫内膜、膀胱尿路上皮、胃、肉瘤、卵巢疾病100例。

除了典型的 Dice 相似系数 (DSC) 和归一化表面 Dice (NSD) 之外，评估指标还关注推理速度和资源（GPU、CPU）消耗。与 FLARE 2021 挑战相比，数据集大了 4 倍，分割目标增加到 13 个器官。此外，与资源相关的指标改为GPU内存-时间曲线下的面积和CPU利用率-时间曲线下的面积，而不是最大GPU内存消耗。

四、技术路线

采用二阶网络分割提取方法，第一个粗分割网络来定位腹部器官大致区域范围，第二个精细分割网络来分割提取腹部器官。

1、人体ROI区域提取，由于腹部器官是在人体内部的，其余都是背景，为了减少背景对分割效果的影响，首先要对人体区域进行提取。具体步骤如下：通过阈值分割（-500，5000）对图像进行二值化分割，然后采用核大小是3的形态学开操作对二值图像进行处理，再使用最大连通域分析得到人体区域，分析得到人体的bounding box。根据这个bounding box将原始图像和标注图像的ROI提取出来。   

2、分析ROI图像信息，得到图像平均大小是470x354x154，因此将图像缩放到固定大小256x256x256。

3、图像预处理，对步骤2的原始图像进行（-900，500）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，对训练集做10倍数据增强处理。

4、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是300，损失函数采用二分类的dice和交叉熵。

5、训练结果和验证结果

6、验证集分割结果

左图是金标准结果，右图是网络预测结果。

7、根据粗分割出来的结果先进行形态学膨胀（核大小为10），再提取原始图像和标注图像的ROI。

8、分析步骤7ROI图像信息，得到图像平均大小是372x262x118，因此将图像缩放到固定大小320x256x224。

9、图像预处理，对步骤8的原始图像进行（-900，500）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，对训练集做10倍数据增强处理。

10、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是300，损失函数采用多分类的dice和交叉熵。

11、训练结果和验证结果    

12、验证集分割结果    

左图是金标准结果，右图是网络预测结果。

13、测试集分割结果