STS3D2023——STS-基于3D CBCT的牙齿分割任务

今天将分享STS-基于3D CBCT的牙齿分割完整实现版本，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、STS3D2023介绍

受经济水平提升、人口老龄化加速等诸多因素影响，牙齿健康受到了越来越多的关注。近些年，以深度学习为代表的人工智能算法极大地推动了医学影像领域的发展，许多研发人员也在尝试如何让深度学习算法更好地应用服务于牙科影像领域，以实现更准确可靠的诊疗，造福更多患者。

二、STS3D2023任务

CBCT数据集牙齿分割。

三、STS3D2023数据集

初赛训练集总共有212个CT（约含有42400张切片），包括12个带标签的CT（提供标签，约含有2400张切片），以及200个无标签的CT（约含有40000张切片）。测试集为10个CT（已标注，但标签不提供给参赛选手，约含有2000张切片）。初赛、复赛的数据集不同，复赛的训练集总共有312个CT(约含有62400张切片)，包括12个带标签的CT（提供标签，约含有2400张切片）以及300个无标签的CT（约含有60000张切片）。测试集为50个CT（已标注，但标签不提供给参赛选手，约含有10000张切片）。初赛时提供10个CT（已标注，但标签不提供给参赛选手，约含有2000张切片）作为测试集，复赛时将提供50个CT（已标注，但标签不提供给参赛选手，约含有10000张切片）作为测试集。两场比赛的测试数据的标签仅用于测评。

评价指标：采用Dice、霍夫距离、IOU评价指标。

四、技术路线

1、根据固定阈值和形态学最大连通域分析得到ROI区域，然后提取原始图像和标注图像的ROI。

2、分析步骤1的ROI图像信息，得到图像平均大小是264x264x200，因此将图像缩放到固定大小256x256x256。

3、图像预处理，对步骤2的ROI图像进行（0，2000）范围窗宽窗位截断，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，右图是预测结果。

7、测试集分割结果