ToothFairyv22024——CBCT图像中多结构分割

今天将分享CBCT图像中多结构48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、ToothFairyv22024介绍

锥形束计算机断层扫描 (CBCT) 的使用不仅在牙科领域，而且在整个头颈外科领域都在增加。CBCT 的主要优点与采集时间短和辐射剂量低有关，同时保持解剖结构（尤其是硬组织）的良好可视化。在这方面，在去年的挑战（ToothFairy2023）中，解决了下牙槽管（IAC）的分割问题，下牙槽管是下颌骨内的一个高贵结构，其识别和保存是许多外科手术的主要目标。在2024年挑战中，相对于2023年ToothFairy 版本，目标是增加分割中要考虑的解剖结构的数量，从而包括下颌骨、牙齿、上颌骨和咽部。这些解剖结构是跨学科的，因为涉及所有头颈外科专业以及临床和麻醉学的日常实践。在这方面，深度学习模型可以通过提供自动体素级分割来支持医务人员的手术计划程序。

二、ToothFairyv22024任务

CBCT图像中48个子结构自动分割。

三、ToothFairyv22024数据集

SetA是与ToothFairy2023相重叠的数据一共包含417例，SetB是新的数据一共包含63例，数据格式是mha的格式，分割类别一共有48个类别。

数据下载链接：

https://ditto.ing.unimore.it/toothfairy2/

评价指标：Dice系数和HD95。

四、技术路线

ToothFairy2023中的牙槽神经分割在前面的文章中已经介绍过了，具体可以访问这一篇文章。ToothFairy2023——CBCT牙槽神经分割

1、采用固定阈值进行分割，再采用形态学开操作（核大小是3）和最大连通域得到人体ROI区域，去除多余的背景。

2、统计ROI平均大小是371x347x169，ROI图像进行像素范围（1，99）截断，然后采用z-score归一化方式进行归一化处理，将图像缩放到固定大小为224x192x192，将数据划分成训练集（450例）和验证集（30例），其中训练集进行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300，损失函数采用多类dice和ce。

4、训练结果和验证结果

5、验证集部分分割结果

左图是金标准结果，右图是网络预测结果。

6、测试集分割结果

左图是金标准结果，右图是网络预测结果。

点击阅读原文可以访问参考项目，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。