WMHSegmentation2017——MRI白质高信号强度分割挑战赛

今天将分享MRI白质高信号强度分割挑战赛完整实现版本，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、WMHSegmentation2017介绍

小血管疾病在中风、痴呆和衰老中起着至关重要的作用。血管源性白质高信号 (WMH) 是小血管疾病的主要表现之一，其在脑部 MR 图像上清晰可见。WMH 体积、位置和形状的量化在临床研究中至关重要，并且可能会进入临床实践，支持痴呆症和其他神经退行性疾病的诊断、预后和治疗监测疾病。值得注意的是，WMH 的视觉评级具有重要的局限性，因此优选对 WMH 进行更详细的细分。各种自动化 WMH 分割技术已被开发出来，以提供定量测量并取代耗时的、依赖于观察者的分割程序。对自动 WMH 分割技术的回顾揭示了一个关键问题：很难比较各种技术。每种分割技术都根据不同的真实结果（不同数量的受试者、不同的专家、不同的协议）并使用不同的评估标准进行评估。

挑战旨在直接比较自动 WMH 分割技术，在不同扫描仪平台和不同机构中稳健且准确地分割 WMH 的技术。

二、WMHSegmentation2017任务

大脑 MR 图像上假定血管起源的白质高信号分割。

三、WMHSegmentation2017数据集

挑战中使用的图像数据是从荷兰和新加坡三所不同医院的三个不同供应商的五台不同扫描仪获取的。训练数据包含 60 组大脑 MR 图像（T1 和 FLAIR），以及的 WMH（二进制掩模）的手动注释，标注包含以下三个标签：0. 背景，1.白质高信号，2.其他病理。测试数据包括110例。

手动注释掩码生成——轮廓被转换为二元掩模，包括手动绘制的轮廓中包含体积> 50％的所有体素。背景标签为0 和 WMH 标签为1。其他病理也被转换为二进制掩膜，标签为2。这些掩膜在平面内扩大 1 像素（具有 3x3x1 内核）。如果标签 1 和 2 重叠，则分配标签 1。

标注评级标准——根据 nEuroimaging 报告血管变化标准 (STRIVE) 对 WMH 和其他病理进行手动分割。一名专家观察员 (O1) 使用轮廓绘图技术对所有图像进行分割，描绘出所有 WMH 的轮廓。该观察员 O1 在 WMH 手动分割方面拥有丰富的经验，并且已经分割了 500 多个病例。第二位专家观察员 (O2) 对所有手动描绘进行了广泛的同行评审。如果出现错误、错误或不符合 STRIVE 标准的描述，O1 会更正分割。因此，提供的参考标准是经过 O2 同行评审后对 O1 进行修正。

四、技术路线

1、大脑区域提取，首先使用固定阈值（50，最大像素值）和最大连通域法获取人脑ROI区域。

2、分析ROI图像，得到图像平均大小是164x205x48，因此将图像缩放到固定大小224x224x160。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。然后将数据分成训练集和验证集，对训练集做10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

左图是金标准结果，右图是预测结果。