PENGWIN2024——骨盆骨碎片与损伤分割挑战之CT骨盆碎片分割

今天将分享骨盆骨碎片与损伤分割挑战之CT骨盆碎片分割完整实现版本，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、PENGWIN2024介绍

骨盆骨折通常由高能量创伤引起，是最严重的损伤之一，其特征是残疾率超过 50%，死亡率超过 13%，是所有复合骨折中最致命的。盆腔解剖结构的复杂性以及周围的软组织使手术干预特别具有挑战性。近年来，人们开始转向使用机器人辅助闭合性骨折复位手术，手术效果有所改善。骨盆骨折的准确分割至关重要，是创伤诊断和图像引导手术的关键步骤。在 3D CT 扫描中，骨折分割对于骨折分型、骨折复位术前计划和螺钉固定计划至关重要。对于 2D X 射线图像，分割在通过配准将手术计划转移到手术室方面起着至关重要的作用，这是精确手术导航的关键步骤。

PENGWIN 分割挑战赛旨在推动 3D CT 扫描（任务 1）和 2D X 射线图像（任务 2）中自动骨盆骨折分割技术的发展，旨在提高其准确性和稳健性。我们的数据集包括 150 名计划进行盆腔缩小手术的患者的 CT 扫描，这些扫描是从多个机构使用各种扫描设备收集的。该数据集代表了各种患者队列和骨折类型。骶骨和髋骨碎片的地面实况分割已经过半自动注释，随后由医学专家验证。此外，我们还使用 DeepDRR 方法从 CT d ata 生成了高质量、逼真的 X 射线图像和相应的 2D 标签，并结合了一系列虚拟 C 臂摄像机位置和手术工具。

二、PENGWIN2024任务

任务 1：3D CT 上的骨盆碎片分割

任务 2：2D X 射线骨盆碎片分割

三、PENGWIN2024数据集

任务1和任务2涉及语义和实例分割的混合，旨在根据图像中的解剖学起源（骶骨、左髋骨或右髋骨）提取和分类图像中的每个骨骼碎片。重要的是，任何给定图像中存在的骨碎片数量都是可变的。

任务 1：CT 分割——训练集包含 100 次 CT 扫描。输入：mha格式的盆腔CT扫描。输出：mha 格式的分割标签。每个骨解剖结构（骶骨、左髋骨、右髋骨）最多有十个碎片。没有任何骨折的骨头只有一个碎片，那就是它自己。在超过 90% 的实例中，单个骨骼解剖结构包含的碎片不超过四个。标签分配：0 = 背景，1-10 = 骶骨碎片，11-20 = 左髋骨碎片，21-30 = 右髋骨碎片。

任务 2：X 射线分割——训练集包含从 100 次 CT 扫描模拟的 50,000 张 X 射线图像。输入：tif 格式的盆腔 X 射线图像。输出：tif 格式的分割标签。与任务 1 相同，每个骨解剖结构（骶骨、左髋骨、右髋骨）最多有 10 个碎片。没有任何骨折的骨头只有一个碎片，那就是它自己。由于投影性质，输出分割标签可能具有重叠。输出分割掩码以二进制编码为uint32 tif 图像。索引分配：all null = 背景，1-10 = 骶骨碎片，11-20 = 左髋骨碎片，21-30 = 右髋骨碎片。将提供 Python 脚本来编码和解码分割结果。

评价指标：评估的主要指标是交点并点 （IoU）、95% 的豪斯多夫距离 （HD95） 和平均对称表面距离 （ASSD）。预测实例和真值标签根据最高 IoU 进行匹配。

数据下载：

https://zenodo.org/records/10927452

https://zenodo.org/records/10913196

四、技术路线

任务一、CT骨折分割

人体ROI区域提取，采用固定阈值和最大连通域法得到人体ROI，从原图和Mask中提取ROI区域。

阶段1——骨盆分割

1、分析ROI图像，得到图像平均大小是440x260x326，因此将图像缩放到固定大小320x256x256。图像预处理，先对图像采用窗宽窗位（0，1000）进行截断，再采用均值为0，方差为1的方式进行归一化处理，再将数据分成训练集和验证集，并对训练数据进行数据增强扩增5倍。然后将标签数据修改为0（背景），1（骶骨），2（左髋骨），3（右髋骨）。

2、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是200，损失函数采用多类别的dice和交叉熵。

3、训练结果和验证结果

4、验证集分割部分结果

左图是金标准结果，右图是网络预测结果。

阶段2——骨折分割

1、首先根据骶骨，左髋骨和右髋骨从图像中提取ROI图像和对应mask图像，然后分析ROI图像，得到图像平均大小是162x152x212，因此将图像缩放到固定大小256x256x256。图像预处理，先对图像采用窗宽窗位（0，1000）进行截断，再采用均值为0，方差为1的方式进行归一化处理，再将数据分成训练集和验证集，并对训练数据进行数据增强扩增5倍。然后将标签数据修改为0（背景），1（碎片1），2（碎片2），3（碎片）。。。10（碎片）。

2、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是200，损失函数采用多类别的dice和交叉熵。

3、训练结果和验证结果

4、验证集部分分割结果

左图是金标准结果，右图是网络预测结果。

阶段3——骨盆网络和骨折网络级联分割

左图是金标准结果，右图是网络预测结果。

验证集排行榜结果

点击阅读原文可以访问参考项目，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。