Bonbid-Hie2023——第一届BOston新生儿脑损伤之缺氧缺血性脑病数据集 (BONBID-HIE) 病灶分割挑战

今天将分享新生儿脑损伤之缺氧缺血脑疾病分割完整实现版本，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、Bonbid-Hie2023介绍

缺氧缺血性脑病（HIE）是一种脑损伤，发生于1 ~ 5/1000足月新生儿。HIE每年影响全球约200,000名足月出生的新生儿，仅在美国每年就造成约20亿美元的损失，更不用说家庭负担了。尽管低温治疗可以降低死亡率和发病率，但大约60%的患者在2岁时仍然会死亡或出现神经认知缺陷。HIE病灶分割是HIE临床护理的关键步骤。它将导致更准确地估计预后、更好地了解神经系统症状以及及时预测对治疗的反应。

脑MRI中与HIE相关的脑部异常通常是弥漫性的（即多灶性）且较小（超过一半的患者病变占脑体积的 <1%）。HIE的MRI数据分割与其他分割任务（例如具有大的局灶性病变的脑肿瘤）显着不同，并且可以说更具挑战性。例如，到目前为止，Dice与U-Net和其他有关该疾病的最新出版物的重叠度仍保持在0.5左右，而对于脑肿瘤，Dice的重叠度超过0.8。为了实现准确的早期预后和医学诊断，迫切需要提高HIE病变分割性能，但尚未得到满足。BONBID-HIE病灶分割挑战是利用公共MRI数据针对这种重要的大脑异常进行的第一个挑战。

二、Bonbid-Hie2023任务

HIE病灶分割。

三、Bonbid-Hie2023数据集

BONBID-HIE 为每位患者提供：0ADC：原始表面弥散系数 (ADC) 图。1ADC_ss：头骨剥离ADC图。2Z_ADC：ZADC图。3LABEL：专家病变注释。临床数据

训练数据有85例，验证数据有4例，测试数据有44例。

评估指标：dice系数；MASD（平均表面距离）；NSD（归一化表面距离）。

四、技术路线

1、人脑ROI区域提取，首先对ADC_ss图像使用固定阈值（1，最大像素值）和最大连通域法得到人脑ROI区域，并对ZADC和Label图像进行同样的ROI提取。

2、分析ROI图像，得到图像平均大小是61x75x39，因此将图像缩放到固定大小128x128x128。图像预处理，对ROI图像进行（1，99）像素范围截断，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5倍数据增强处理。

3、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是4，epoch是500，损失函数采用二分类的dice和交叉熵。

4、训练结果和验证结果

5、验证集分割结果

左图是金标准结果，右图是预测结果。

6、测试集分割结果

左图是金标准结果，右图是预测结果。

7、提交预测结果后，测试指标如下。

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。