TN3K2021——超声甲状腺结节和甲状腺区域分割

今天将分享超声甲状腺结节和甲状腺区域分割完整实现版本，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、TN3K2021介绍

甲状腺结节是生长在甲状腺中的非常常见的内分泌疾病之一。由于甲状腺具有恶性的可能性，因此迫切需要定期检查甲状腺。由于超声成像的独特优势（例如，相对便宜、易于使用、便携），甲状腺的普遍检查方法基于超声成像设备。然而，与其他影像学（如CT、MRI、X射线）相比，超声检查进展不规范，因此甲状腺结节的诊断高度依赖于临床医生的经验和技能。考虑到缺乏经验的临床医生容易引起误诊，许多计算机辅助诊断系统已被开发出来，用于甲状腺疾病的辅助诊断。甲状腺结节的自动分割是开发智能诊断系统的基础组成部分，对于超声引导的甲状腺穿刺活检或结节切除术也很有价值。

甲状腺结节的超声分割是一项具有挑战性的任务，在甲状腺癌的诊断中起着至关重要的作用。然而，以下两个因素限制了甲状腺结节自动分割算法的发展：（1）现有直接应用语义分割技术的自动结节分割算法容易将非甲状腺区域误认为结节，因为缺乏甲状腺区域感知，超声图像中相似区域较多，图像本身对比度较低;（2）目前可用的数据集（即DDTI）很小，并且从单个中心收集，这违反了在现实世界中从各种设备获取甲状腺超声图像的事实。

二、TN3K2021任务

甲状腺结节分割和甲状腺区域分割。

三、TN3K2021数据集

TN3K是一个具有挑战性的甲状腺结节分割数据集，包括 3493 张带有像素标签的超声图像，其中包含来自各种设备和视图的高质量结节掩膜标记。TN3K数据集收集于南方医科大学珠江医院，并已获得机构伦理委员会的相应批准。

数据集下载：

https://github.com/haifangong/TRFE-Net-for-thyroid-nodule-segmentation

四、技术路线

任务一、甲状腺分割

1、将图像缩放到固定大小512x512，然后采用z-score归一化方式进行归一化处理，将数据划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24，epoch是300，损失函数采用二值化dice和ce。

3、训练结果和验证结果

4、验证集分割结果

红色是金标准结果。绿色是预测分割结果。

任务二、甲状腺结节分割

1、将图像缩放到固定大小512x512，然后采用z-score归一化方式进行归一化处理，将数据划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24，epoch是300，损失函数采用二值化dice和ce。

3、训练结果和验证结果

4、验证集分割结果

红色是金标准结果。绿色是预测分割结果。