MM-WHS2017——多模态全心脏分割挑战赛

今天将分享多模态全心脏分割完整实现版本，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、MM-WHS2017介绍

整个心脏亚结构的准确计算、建模和分析对于临床应用的开发非常重要。然而，整个心脏图像的分割和配准具有挑战性，目前仍然严重依赖手动操作，这既费时又容易出错。挑战赛提供了 120 例在真实临床环境中采集的多模态心脏图像。它旨在为各种研究小组创建一个公开和公平的竞争，以测试和验证他们的方法，特别是对于多模态全心分割。

二、MM-WHS2017任务

全心结构分割，包括七个全心脏子结构（1）左心室血腔；（2）右心室血腔；(3)左心房血腔；(4)右心房血腔；（5）左心室心肌；(6)升主动脉；(7) 肺动脉。

三、MM-WHS2017数据集

提供来自多个中心的120例多模态全心脏图像，包括 60 例心脏 CT/CTA 和 60例覆盖整个心脏亚结构的 3D 心脏 MRI。所有这些临床数据均已获得机构伦理批准并已匿名化。根据体内临床环境收集数据，并将数据用于临床。数据集里有各种图像质量，有些质量相对较差。然而，当涉及到实际临床使用时，有必要包含这些数据集以验证所开发算法的稳健性。使用常规心脏CT血管造影获得心脏CT/CTA数据。所有数据涵盖从上腹部到主动脉弓的整个心脏。在轴向视图中获取切片。平面内分辨率约为 0.78 × 0.78 mm，平均切片厚度为 1.60 mm。使用 3D 平衡稳态自由进动 (b-SSFP) 序列获取 MRI 数据，每个方向的采集分辨率约为 2 mm，并重建（重采样）为约 1 mm。

数据集分为训练（20 个 CT 和 20 个 MRI 代表）和测试（40 个 CT 和 40 个 MRI）数据集。对于训练数据集，提供了七个全心脏子结构的手动分割，（1）左心室血腔（标签值 500）；（2）右心室血腔（标签值600）；(3)左心房血腔(标签值420)；(4)右心房血腔(标签值550)；（5）左心室心肌（标号205）； (6)升主动脉(标签值820)，定义为从主动脉瓣到心房上水平的主动脉干；例如，在 25 名健康受试者中测量的这个躯干的平均长度约为 41.9 毫米； (7) 肺动脉（标签值 850），定义为肺动脉瓣和分叉点之间的起始主干，例如，在 25 名健康受试者中测量的该主干的平均长度约为 41.9 毫米。感兴趣的大血管包括升主动脉和肺动脉。由于视野的不同，大血管的覆盖范围在不同的扫描中会有所不同。为了在不同的受试者之间有一个一致的定义，升主动脉和肺动脉因此定义如上，而整个心脏分割的验证可以只关注血管的主干部分。

四、技术路线

任务一、CT全心脏分割

1、去除多余的背景，采用固定阈值（-100，图像最大像素值）进行分割，再采用形态学开操作（核大小是3）和最大连通域得到人体ROI区域。

2、统计ROI平均大小是500x480x266，Spacing平均大小是0.43x0.43x0.58。ROI图像窗宽窗位截断设置（-100，800），然后采用z-score归一化方式进行归一化处理，将图像缩放到固定大小为256x256x128，将数据划分成训练集（18例）和验证集（2例），其中训练集进行10倍数据增强处理（平移，旋转，翻转等）。。

3、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是300，损失函数采用多类dice和ce。

4、训练结果和验证结果

5、验证集分割结果

左边是金标准结果，右边是网络预测结果。

6、测试集分割结果

任务二、MRI全心脏分割

1、去除多余的背景，采用固定阈值（20，图像最大像素值）进行分割，再采用形态学开操作（核大小是3）和最大连通域得到人体ROI区域。

2、统计ROI平均大小是310x356x145，Spacing平均大小是0.94x0.94x1.2。ROI图像像素值截断设置（1，99），然后采用z-score归一化方式进行归一化处理，将图像缩放到固定大小为256x256x128，将数据划分成训练集（18例）和验证集（2例），其中训练集进行10倍数据增强处理（平移，旋转，翻转等）。

3、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是300，损失函数采用多类dice和ce。

4、训练结果和验证结果

5、验证集分割结果

左边是金标准结果，右边是网络预测结果。

6、测试集分割结果

为了方便大家更高效地学习，我将代码进行了整理并更新到github上，点击https://github.com/junqiangchen/PytorchDeepLearing即可访问。由于之前都是使用tensorflow1.14的进行代码实验开发的，为了方便pytorch的朋友们也可以复现实验结果，我将tensorflow版本的代码翻译转换成pytorch版本的。

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。