MRSpineSeg2021——MR脊柱结构多类分割

今天将分享MR脊柱结构多类分割完整实现版本，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、MRSpineSeg2021介绍

退行性脊柱疾病（如腰椎间盘突出症、椎管狭窄症等）已成为影响老年人和劳动者健康和生活质量的重要疾病。这些退行性脊柱疾病常引起脊柱的结构形态和力学系统发生改变，从而引起疼痛，如腰椎间盘突出、椎间盘高度降低、神经受压等。磁共振成像（MRI）作为一种非侵入性的检查方法，具有良好的软组织成像效果，且无辐射。是一种可靠的退行性脊柱疾病筛查方法。在临床实践中，退行性脊柱疾病的治疗很大程度上依赖于医生的经验，缺乏准确的定量分析工具。MRI 多类脊柱结构的 3D 自动分割 (MR) 图像是脊柱结构 3D 重建的先决条件。它可以为建立脊柱生物力学模型、模拟脊柱结构中的应力以及评估退行性脊柱疾病的不同治疗方案的预后提供定量分析工具。

二、MRSpineSeg2021任务

利用人工智能技术高效、准确地对MR图像中的脊柱结构进行3D自动分割。脊柱结构分割包括 10 个椎骨和 9 个椎间盘。

三、MRSpineSeg2021数据集

train/MR：训练MR图像。

train/Mask：训练MR图像的mask。每个椎骨或椎间盘都被分配了一个独特的标签。标签值和对应的脊柱结构为：0：背景，1: S，2: L5，3: L4，4: L3，5: L2，6: L1，7: T12，8: T11，9: T10，10: T9，11: L5/S，12: L4/L5，13: L3/L4，14: L2/L3，15: L1/L2，16: T12/L1，17: T11/T12，18: T10/T11，19: T9/T10其中 T、L 和 S分别表示胸椎、腰椎和骶椎。

训练数据172个，包括MR图像和mask标签，测试数据1有20个，测试数据2有23个。

评价分数：平均骰子系数。

四、技术路线

1、首先使用固定阈值（20，最大像素值）和最大连通域法获取整个人体ROI区域。

2、分析ROI图像，得到图像平均大小是454x800x12，因此将图像缩放到固定大小480x880x16。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1，epoch是300，损失函数采用多分类的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

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。