COSAS2024——跨器官和跨扫描仪腺癌分割

今天将分享跨器官和跨扫描仪腺癌分割完整实现版本，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、COSAS2024介绍

在各种挑战的推动下，数字病理学领域在肿瘤诊断和分割方面取得了重大进展。尽管取得了这些进步，但由于数字病理学图像和组织中固有的多样性，当前算法的有效性仍面临重大挑战。这些差异来自不同的器官、组织准备方法和图像采集过程，导致所谓的域转移。COSAS 的主要目标是制定策略，增强计算机辅助语义分割解决方案对域转移的弹性，确保不同器官和扫描仪的性能一致。这一挑战旨在推动人工智能和机器学习算法的发展，以供实验室常规诊断使用。值得注意的是，COSAS 标志着计算组织病理学领域的第一项挑战，它提供了一个平台，用于评估综合数据集上的域适应方法，该数据集包含来自不同制造商的不同器官和扫描仪。

二、COSAS2024任务

任务 1：跨器官腺癌分割——评估机器学习算法在跨不同器官腺癌分割任务中的泛化能力。它使用从六个不同腺癌的全幻灯片图像中提取的图像块来评估算法在分割多个器官方面的性能，这些图像块均来自同一扫描仪。

任务 2：跨扫描仪腺癌分割——评估机器学习算法在跨不同全幻灯片图像扫描仪的腺癌分割中的泛化能力。该数据集包括从侵袭性乳腺癌组织的全幻灯片图像扫描中提取的图像块，这些图像块来自不同制造商的六个不同扫描仪。

三、COSAS2024数据集

COSAS提供了第一个也是目前最大的数字病理分割任务领域泛化数据集。它首次引入了由两个不同因素引起的领域转移挑战：任务 1 中的不同器官和任务 2 中的不同扫描仪。

任务 1：共使用 6 种不同腺癌的 290 张块图像。这些图像的平均大小为1500x1500 像素，均从使用 TEKSQRAY SQS-600P 扫描仪数字化的 WSI 中提取。训练集包括来自 3 种不同器官（胃腺癌、结直肠腺癌和胰腺导管腺癌）的图像，每种类型 60 张，共 180 张；初步测试集由来自 4 种不同器官（包括来自训练集的两个）的图像组成，每种类型 5 张，共 20 张；最终测试集包含所有 6 种器官类型的图像，每种类型 15 张，共 90 张。

任务 2：包括从六台不同的 WSI 扫描仪获取的无特殊类型浸润性乳腺癌的斑块图像，共计 290 张图像。每张图像的大小约为 1500x1500 像素。训练集包括来自 3 台不同扫描仪（TEKSQRAY SQS-600P、KFBIO KF-PRO-400 和 3DHISTECH PANNORAMIC 1000）的图像，每种类型 60 张，共计 180 张；初步测试集包括来自 4 台不同扫描仪的图像，每种类型 5 张，共计 20 张；最终测试集包括来自所有 6 台扫描仪的图像，每种类型 15 张，共计 90 张。

数据下载：

https://cosas.grand-challenge.org/datasets/

四、技术路线

任务1、跨器官腺癌分割

1、图像预处理，采用均值为0，方差为1的方式进行归一化处理，再图像缩放到固定大小2048x2048，再将数据分成训练集和验证集。

2、搭建VNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是3，epoch是300，损失函数采用二值化的dice和交叉熵。

3、训练结果和验证结果

4、验证集分割结果

左图是组织原图，中间是金标准结果，右图是预测分割结果。

任务2、跨扫描仪腺癌分割

1、图像预处理，采用均值为0，方差为1的方式进行归一化处理，再图像缩放到固定大小2048x2048，再将数据分成训练集和验证集。

2、搭建VNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是3，epoch是300，损失函数采用二值化的dice和交叉熵。

3、训练结果和验证结果

4、验证集分割结果

左图是组织原图，中间是金标准结果，右图是预测分割结果。

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。