今天将分享CT图像中全身117个解剖器官分割完整实现版本,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、TotalSegmentator2023介绍
在过去几年中,CT检查的数量和可用的计算能力都在稳步增加。此外,由于深度学习技术的进步,图像分析算法的能力也得到了极大的提高。由此产生的数据、计算能力和算法质量的增加使得使用大样本量的放射学研究成为可能。在许多这样的研究中,解剖结构的分割起着重要的作用。分割可用于提取基于放射图像的高级生物标志物,自动检测病理或量化肿瘤负荷。在常规临床分析中,分割已用于手术和放疗计划等应用。因此,相关算法最终可进入常规临床应用,以提高放射报告的质量并减少放射科医生的工作量。对于大多数应用,相关解剖结构的分割是第一步。然而,构建和训练分割算法是复杂的,因为它需要繁琐的手动标注训练数据和训练算法的技术专长。提供一个随时可用的分割工具,可以自动分割CT图像中的大多数主要解剖结构,这将大大简化许多放射学研究,从而加速该领域的研究。目前有几个公开可用的分割模型。然而,这些模型通常针对单个器官(如胰腺、脾脏、结肠或肺)。此外,这些模型只涵盖了相关解剖结构的一小部分,并且是在相对较小的数据集上进行训练的,这些数据集不代表常规临床成像,其特点是对比阶段、采集设置和不同病理的差异。因此,研究人员必须经常建立和训练他们自己的分割模型,这可能是昂贵的。TotalSegmentator数据集就是为了解决上述问题。与大多数仅聚焦于部分器官且数据量有限的数据集不同,不仅提供了前所未有的数据规模和多样性,而且更好地适应了临床的多变场景。此数据集不仅覆盖了常见器官,还标注了其他数据集中罕见的结构,为模型研究和优化提供了坚实基础。
二、TotalSegmentator2023任务
117 个解剖结构分割
三、TotalSegmentator2023数据集
包括 1228 例CT 图像,覆盖全身的 117 种解剖结构。其中,1082张用于训练,57张用于验证,89张为测试集。标注是使用Nora Imaging Platform进行手动分割或对生成的分割进行进一步细化微调。分割标注由两名分别具有3年和6年影像经验的医生监督标注的。
四、技术路线
1、首先采用固定阈值提取人体区域,然后根据人体ROI从原始图像和mask提取ROI区域。
2、分析ROI图像,得到图像平均大小是234x175x228,因此将图像缩放到固定大小160x128x192。图像预处理,对图像进行截断(-800,800)再采用zscore方式进行归一化处理,再将数据分成训练集和验证集,对训练集进行5倍数据增强。
3、搭建VNet3d网络,使用AdamW优化器,学习率是0.001,batchsize是1,epoch是600,损失函数采用多类的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,右图是预测分割结果。
6、测试集分割结果
左图是金标准结果,右图是预测分割结果。