KPIs2024——肾脏病理学图像分割之task1Patch和task2WSI联合训练在验证集上结果

今天将分享肾脏病理学图像分割之task1Patch和task2WSI联合训练在验证集上结果完整实现版本，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、KPIs2024介绍

慢性肾病 (CKD) 构成重大健康风险，每年造成的死亡人数比乳腺癌和前列腺癌的总和还多。它影响了全球 10% 以上的人口，影响了超过 8 亿人。肾活检包括开放性肾活检和经皮肾活检，是诊断和指导 CKD 治疗的金标准。

在病理图像分析中，特别是在肾脏疾病中，组织分割至关重要。深度学习的兴起给肾脏病理图像分割带来了变革，但也暴露出缺乏开发和评估这些技术的综合基准。一个主要障碍是现有公共数据集中用于肾脏病理学分割的大规模疾病数据的缺乏，因为它们主要包含来自正常患者的样本。这主要是因为人类的组织样本通常是通过针吸活检获得的，只能产生少量的组织样本。因此，迫切需要发布涵盖各种 CKD 疾病模型的广泛肾脏病理数字数据。

在KPIs2024挑战中，利用临床前动物模型，特别是患病啮齿动物的整个肾脏切片，扩展了CKD疾病模型的数据集。使用啮齿动物数据的主要理由是啮齿动物和人类肾脏病理之间的形态相似性，使它们成为临床前医学研究和药物发现的普遍选择。其次，整个肾脏切片可以来自综合疾病模型，在每个完整幻灯片图像 (WSI) 中提供丰富的组织。这是一个显著的优势，因为这些模型中的单个 WSI 可以包含比人类疾病模型中数千个针活检所能获得的更多的组织内容，而这种方法通常是不切实际的。

肾脏病理图像分割 (KPI) 挑战涵盖广泛的肾脏疾病模型，包括源自临床前啮齿动物模型的正常和多种特定 CKD 状况。该挑战从60多张高碘酸席夫 (PAS) 染色的完整幻灯片图像中广泛收集了10,000个正常和患病肾小球。每幅图像都包含肾单位，每个肾单位包含一个肾小球和一小簇血管。

二、KPIs2024任务

挑战包括两项任务——task1：Patch级分割：特定图像斑块内肾小球的分割。task2：整个切片图像分割：在整个肾脏幻灯片图像上分割肾小球。

三、KPIs2024数据集

训练数据集一共包含 58个 WSI数据，以及把 WSI 裁切成5214个patch的数据，其中训练集和验证集已经正式发布，测试集数据不会对外公开。

数据下载：

https://sites.google.com/view/kpis2024

https://www.synapse.org/#!Synapse:syn54077668/wiki/626475

四、技术路线

在前面的文章中已经介绍过基于Task1Patch数据进行训练的详细的实现过程KPIs2024——肾脏病理学图像分割，并给出了task1和task2的验证集结果。KPIs2024——肾脏病理学图像分割之验证集结果，KPIs2024——肾脏病理学图像分割之task2验证集结果。由于训练数据是基于task1Patch训练的，而且训练的数据都是有目标的组织图像和mask，但是在task2WSI中，有些组织区域是没有目标的，从分割结果也可以看到task2的结果上会有很多假阳性目标被分割出来。所以这里将task1和task2的标注数据进行组合后再进行联合训练来对task1和task2的验证集数据进行分割。其中task2是WSI图像，按照滑窗操作截取4096x4096的ROI图像和对应mask出来，并进行判断图像均值是否大于90，将大于90的进行输出保存，小于90的直接舍弃。

task1patch验证集分割结果。左图是原始，中间是金标准结果，右图是预测分割结果。

task2WSI验证集分割结果。第一个是原图，第二个是金标准结果，第三个是预测分割结果。可以看到相比之前的结果假阳性减少了很多。