Aims-Tbi2024——中重度创伤性脑损伤病变的自动识别

今天将分享中重度创伤性脑损伤病变的自动识别完整实现版本，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、Aims-Tbi2024介绍

中度至重度创伤性脑损伤（msTBI）是由于外力（例如：交通事故、跌倒、运动）导致大脑在颅骨内快速移动，导致复杂的病理生理变化。多个原发性、继发性和手术相关过程有可能导致大脑结构变形。每个患有 msTBI 的患者都有这些结构变化的独特积累，导致极其异质性病变，被认为是 msTBI 的标志。这些病变与其他常见的脑部病变（中风、多发性硬化症、脑肿瘤）不同，因为它们可以是局灶性的或弥漫性的，大小、数量和侧向性各不相同，延伸到多种组织类型（GM/WM/CSF），并且也可以发生在两个半球的同源区域。诸如此类的病变可能会使图像配准、标准化变得复杂，并且已知会在脑分区中引入局部和全局错误。虽然存在多种工具来补偿神经影像预处理中的病变，但许多工具需要耗时的手动创建病变掩模和随后的手动质量评估。此外，根据经验，针对不同病因病变（例如中风、肿瘤）开发的方法在 TBI 中表现不佳。虽然存在一些 TBI 特定算法，但它们要么需要多种图像类型（T1、T2、FLAIR、GE 和 PD），要么只能在 CT 图像上运行。然而，多种图像类型的必要性限制了大规模联盟跨站点聚合常见 MRI 扫描的能力，并且其他 MRI 模式（例如扩散 MRI）中的扫描序列参数存在较大差异。因此，挑战将集中于识别 T1 加权 MRI 数据中的病变，因为它是最常见的 MRI 扫描。病灶分割方面的进步以及由病灶分割到下一个图像处理和分析（例如分割、功能连接分析、连接组学、基于固定素的分析）产生的准确病灶掩模的实现将允许更准确的预测，并可能改善患者的长期预后结果。

二、Aims-Tbi2024任务

中度至重度创伤性脑损伤的 T1 加权 MRI 数据中的病变自动分割。

三、Aims-Tbi2024数据集

训练数据一共有388例数据，图像大小都是256x256x256。标签是二值化mask。

数据下载：

https://aims-tbi.grand-challenge.org/

四、技术路线

1、分析原始图像，得到图像平均大小是256x256x256，因此将图像缩放到固定大小256x256x256。再采用均值为0，方差为1的方式进行归一化处理，再将数据分成训练集和验证集。由于病变差异很大，为了增加病变分割检出率，对病变Mask进行形态学膨胀操作，核大小为5。

2、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是300，损失函数采用二值化的dice和交叉熵。

3、训练结果和验证结果

4、验证集分割结果

左图是金标准结果，右图是网络预测结果。