HNAS2015——头颈高危器官分割

今天将分享头颈九大高危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、HNAS2015背景

目标结构（例如，肿瘤）和高危器官 (OAR) 的描绘是治疗计划过程中的一个关键步骤。由于手动分割这些结构具有挑战性且耗时，因此开发准确的自动分割方法对于帮助治疗前放疗计划和 IGART 至关重要。近年来，已经引入了多种自动分割方法。然而，对于哪种分割方法最好，目前还没有达成共识。这可能是由于解剖结构的数量和种类繁多，每一个都针对特定的分割挑战。事实上，一些自动分割方法是为特定区域或模态设计的，并且可能在一个领域更准确而在其他领域不太准确。

二、HNAS2015任务

在 CT 图像的头颈部区域分割九个结构：脑干、下颌骨、视交叉、左右视神经、左右腮腺和左右下颌下腺。

三、HNAS2015数据集

对于这个挑战，使用了40张图像的子集：25张图像用作训练数据，10张图像用于场外测试，5张图像用于现场测试。选择子集是为了确保所有结构都完全包含在 CT 图像中，图像质量足够，并且结构与肿瘤体积的重叠最少。没有对年龄或性别作出限制。

A、图像数据的特征

提供了 CT 图像和手动轮廓数据。对于所有数据，重建矩阵为 512 × 512 像素。面内像素间距是各向同性的，在 0.76 mm × 0.76 mm 和 1.27 mm × 1.27 mm 之间变化。切片的数量在 110-190 片的范围内。z 方向的间距在 1.25 毫米和3毫米之间。

B、手动描绘目标结构

头颈部区域的9个解剖结构被用作分割目标：脑干、视交叉 (OC)、下颌骨、双侧视神经 (ON)、双侧腮腺 (PG) 和双侧下颌下腺 (SG)。所有结构都是与头颈部放射治疗高度相关的OAR。尽管在临床试验的一些 CT 图像上描绘了其中一些 OAR，但用于挑战的所有结构都由专家重新分割以提供统一的质量和一致性。

B.1 脑干

在放射肿瘤学中，通常在离散的轴向切片处截断下脑干和上脑干边界，而不是在多个轴向切片上倾斜边界。脑干的下缘位于 C1 椎骨的顶部，上缘位于包含后床突的顶部切片。

B.2 视交叉和视神经

ON 的轮廓从视网膜后部开始，通过视神经管到达 OC。由于 OC 的前部和后部没有解剖学边界，因此定义了人工边界。ON 和 OC 之间的边界由前床突和鞍结节之间的虚拟线定义。视交叉后视束的一小部分包含在轮廓中，从连接同侧 ON 的侧边界与对侧视束的假想线开始截断为 8 mm 的长度。

B.3 下颌骨

下颌骨是人类头部最大的骨头。它形成下颌并定位下牙。它的轮廓从底部（下巴区域）开始，到下颌骨圆锥突和髁结束。特别注意区分骨骼和牙齿之间的边界。

B.4 腮腺

成对的 PG 是位于耳朵下方的主要唾液腺。30几条神经和血管穿过 PG，包括面神经、外动脉和下颌后静脉的分支。当这些容器包含在 PG 的封闭包络内时，它们将包含在轮廓中。

B.5 颌下腺

SG也是位于口腔底部下方的成对唾液腺。

C、人工标注的质量保证

三位不同的医学影像专家对数据集进行了分割标注，所有 40 个数据集的每个结构都由同一观察者分割标注。为了确保手动标注的结构被正确且一致地分割，进行了质量评估。为此，医生检查了每个结构的所有分割并建议修改，直到所有结构都符合分割准则。

评估分割性能，使用了四种不同的指标：Dice 相似系数、95% Hausdorff 距离 (HD)、最大 HD 和轮廓平均距离。这些是评估 3D 医学图像分割最常用的指标，包括基于体积和重叠的指标类型。使用多个指标是因为不同的指标反映了不同类型的错误。例如，当分割目标较小时，建议使用基于距离的指标（例如 HD）而不是基于重叠的指标（例如 Dice 系数）。如果基于体积的统计数据很重要，则建议使用基于重叠的指标。

四、技术路线

1、采用固定阈值（-600，图像最大像素值）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、采用肺分割提取方法和形态学开操作（核大小是10）去除气管，得到肺部ROI区域，然后再对人体ROI区域中将对应肺部ROI区域进行去除，进一步去除非头颈区域。

3、分析标签发现视交叉标签目标是扁平结构，为了增加该结构的z方向信息，对此标签进行形态学膨胀处理，核大小为3。

4、统计ROI平均大小是365x229x105，Spacing平均大小是1.06x1.06x2.7。ROI图像窗宽窗位截断设置（-300，1500），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352x256x160，将数据划分成训练集（38例）和验证集（10例），其中训练集进行10倍数据增强。

5、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dice和ce。

6、训练结果和验证结果

7、验证集分割结果

左边是金标准结果，右边是网络预测结果。

8、测试集分割结果

左边是金标准结果，右边是网络预测结果。

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。