2022ATM——气道树分割挑战赛

今天将分享气道树分割完整实现版本，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、ATM挑战赛介绍

气道分割是分析包括哮喘、支气管扩张和肺气肿在内的肺部疾病的关键步骤。基于X射线计算机断层扫描（CT）的精确分割可以定量测量气道尺寸和壁厚，从而可以揭示慢性阻塞性肺病（COPD）患者的异常情况。此外，支气管镜辅助手术中的导航需要从 CT 图像中提取患者特定的气道模型。然而，由于肺气道结构细粒度，人工标注耗时、容易出错，并且高度依赖临床医生的专业知识。

Bruijne 等人。[1] 在 2009 年举办了“Extraction of airways from CT (EXACT'09)”挑战赛（http://image.diku.dk/exact/index.php?），他们专注于以多阈值、模板匹配和区域增长为主的半自动化和自动化算法，旨在减轻人工勾画的负担，帮助临床医生探索肺炎对气道的影响。但是此传统算法在提取外周小支气管时面临困难，并且存在气道泄漏的风险。随着深度学习方法的进步，全卷积网络（FCN）在体积医学数据的分割任务中取得了最先进的性能。大多数深度学习方法都是数据驱动的，而 EXACT'09 仅包含 20 例训练 CT 扫描和 20 例测试 CT 扫描，这对于人工智能时代来说是不够的。

二、ATM22任务

从胸部CT扫描中分割提取气道树结构，此外需要开发设计稳健的算法，可以提取具有高拓扑完整性和准确性的气道树结构供临床使用。

三、ATM22数据集

ATM22从多中心收集了500例CT扫描（300 例用于训练，50 例用于验证，150 例用于测试）。胸部 CT 扫描是从公共 LIDC-IDRI 数据集 [2] 和上海胸科医院收集的。每次胸部CT扫描首先通过一些强大的深度学习模型和集成策略进行预处理以获得初步的分割结果，然后由三位具有五年以上专业经验的放射科医师仔细勾画和双重检查，以获得最终的细化气道树结构。

四、评估指标

目标是分割准确的气道树模型。一方面，二元气道分割结果中只保留最大连通域结果，为了衡量结果的完整性和连通性，使用树长检测率（TD）和分支检测率（BD），具体来说，TD是正确检测到的相对于参考标签中总树长的分数，BD是正确检测到的分支相对于参考标签中存在的分支总数的百分比，如图1显示了气道结构的解析。 另一方面，我们使用 Dice 相似度系数和精度的度量来衡量重叠分割精度。因此，我们最终在测试阶段选择以下指标：[1] 树长检测率（TD）和树枝检测率（BD），[2] 骰子相似系数 (DSC) 和精度。

五、技术路线——传统无监督方法

1、分割CT的肺组织区域，去除多余背景组织

1.1、固定阈值（-500，CT图像HU最大值）得到人体初步区域；

1.2、采用形态学开操作（核大小是1）和最大连通体去除多余与身体连接部分；

1.3、采用floodfilled得到人体区域；

1.4、与固定阈值进行异或操作后再取反；

1.5、采用最大连通体+形态学闭操作（核大小是3）+填洞操作后得到肺组织区域。

分割结果（训练集和验证集都将肺组织成功分出来，不过会有一些过分割情况，例如肺组织下部会连接到部分大肠器官，气管上部会连接到头部鼻腔，不过这些不影响后面计算气管）。 2、气管海森矩阵增强

2.1、根据肺组织区域Mask从原始图像中提取出肺部组织ROI图像进行海森矩阵增强，增强气管组织特征。

2.2、海森矩阵增强参数设置：alpha参数，beta参数，这两个参数是用来控制海森矩阵特征值的比例，alpha是控制最小特征值与较大特征值的权重，beta是控制最大特征值与较大特征值的权重，一般设置alpha为0.2，beta为0.9（增强效果好的参数要求最小特征值远小于较大特征值，而较大特征值与最大特征值差不多），为了检测不同尺度的支气管结果，还采用多尺度的海森矩阵方法，sigma值范围是1到10。 3、根据步骤1的肺组织区域Mask和步骤2的海森气管增强后的图像，进行逻辑与操作，只保留肺组织有效区域的海森增强区域图像，然后再求海森矩阵的最大值，按照最大值的三分之一进行二值化操作。 4、最后保留最大连通域即得到支气管结构。

5、训练集部分结果

左图是标注数据，右图是传统算法分割结果

6、验证集部分结果

7、提交验证集后评价指标结果

上述方法是无监督传统分割提取算法，计算时间较长，不过baseline结果看上去也没那么糟糕，为了进一步提高精度，在此分割结果上再结合深度学习进一步提取细小气管结构。

如果有任何问题，随时给我留言我会及时回复的。