社区首页 >专栏 >SPIDER2023——脊柱分割:椎间盘、椎骨和椎管分割

SPIDER2023——脊柱分割:椎间盘、椎骨和椎管分割

医学处理分析专家

发布于 2023-09-10 07:59:47

1.2K0

今天将分享脊柱分割:椎间盘、椎骨和椎管分割完整实现版本，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、SPIDER2023介绍

腰痛（LBP）是导致残疾的重要原因，也是一个主要的社会医疗保健问题。腰痛常用的诊断和治疗决策工具之一是腰椎磁共振成像（MRI）。在过去的几十年里，腰痛患者MRI的使用大幅增加。自动图像分析有可能减轻放射科医生和脊柱外科医生增加的工作量，并通过实现更客观和定量的图像解释来提高MRI的诊断价值。然而，为了有效地评估复杂的多因素疾病，如LBP，自动分析必须理解脊柱的多个解剖元素，包括椎骨、椎间盘（IVD）和椎管。因此，用于分割这些结构的鲁棒自动算法至关重要。

为了开发用于腰椎MRI分割的准确可靠的AI算法，需要具有参考分割的大型多样化数据集。然而，目前可用的腰椎MRI分割数据集要么大小有限，要么只有分割一个或两个解剖结构，要么不公开可用。为了解决这一差距，引入了一个大型多中心腰椎MR数据集，其中包含椎骨，椎间盘（IVD）和椎管的参考分割，将其公开用于AI算法的训练数据。

二、SPIDER2023任务

腰椎多模态MRI中三种解剖结构的分割：椎骨，椎间盘（IVD）和椎管。

三、SPIDER2023数据集

收集了257名过去经历过LBP的患者的腰椎MRI数据。每项研究由多达三个MRI序列组成，总共544个序列。这些研究是在2019年1月至2022年2月期间从四家医院获得的，其中包括一家学术中心、两家地区医院和一家骨科医院。标准矢状T1和T2图像的分辨率范围为3.3x0.33x0.33mm至4.8x0.90x0.90mm。矢状T2 SPACE序列图像具有近各向同性的空间分辨率，体素大小为0.90x0.47x0.47mm。

每个序列中所有可见的椎骨、椎间盘和椎管均手动分割，不包括骶骨。分割由一名医学实习生在医学成像专家和经验丰富的MSK放射科医生的监督下进行。在一个小数据集上训练了自动基线分割算法，该算法能够自动分割看不见的图像。对预测的分割进行审查、手动校正并添加到训练数据中。通过重新训练自动分割模型重复此过程多次，直到注释整个数据集。随机选择20个高分辨率T2（SPACE）序列并手动注释。所有其他分割都是通过上述描述的迭代注释策略创建的。所有注释和更正均使用3D Slicer来完成。

此数据集中的引用分割从下到上进行标记。在此标记方案中，最低的腰椎（通常是L5，但也可以是L4或L6）被分配为标签1。它上方的后续椎骨被标记为 2，并且该系列中其余椎骨的标记继续按升序排列。为了标记椎间盘（IVD），标签基于其正上方的椎骨，最低的IVD分配标签201，上面的IVD标记为202，依此类推。椎管被分配标签100。

评估基于骰子相似系数（DICE）分数，这是评估分割性能的广泛使用的指标。分别计算三种解剖结构中的每一个的DICE分数：椎骨，椎间盘（IVD）和椎管。

四、技术路线

由于标注标签的数值不是连续的数值，先获取腰椎标签的最大值，然后将椎管标签设置成腰椎标签最大值加1，IVD标签的最小值设置成椎管值加1，这样就生成了新的标签数据。

任务一、T1椎骨，椎间盘（IVD）和椎管分割

1、人体脊柱区域提取，首先使用固定阈值（0.5，最大像素值）和形态学最大连通域法获取整个人体脊柱ROI区域。

2、分析ROI图像，得到图像平均大小是24x289x426，因此将图像缩放到固定大小48x288x432。图像预处理，对ROI图像采用均值为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，损失函数采用多类的dice和交叉熵。

4、训练结果和验证结果