HaN-Seg2023——头颈高危器官分割

今天将分享头颈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、HaN-Seg2023介绍

头颈部癌症 (HaN)是最突出的癌症之一，放射疗法代表了一种重要的治疗方式，旨在向目标癌细胞提供高辐射剂量，同时保护附近的健康器官风险（OAR）。目标体积和 OAR 的精确三维空间描述（即分割）是最佳辐射剂量分布计算所必需的，这主要是使用计算机断层扫描 ( CT)图像执行的。然而，HaN 区域包含许多 OAR，这些 OAR 在 CT 中不明显，但在磁共振 (MR)中更明显。尽管已经尝试从 MR 图像中分割 OAR，但到目前为止，还没有评估CT 和 MR 图像的联合分析对 HaN 区域中 OAR 分割的影响。头颈危及器官多模态分割挑战赛旨在促进利用多种成像模态信息的 CT 图像开发新的和现有全自动技术在 HaN 区域进行 OAR 分割，从而提高分割结果的准确性。

二、HaN-Seg2023任务

从同一患者的 CT 和 MR 图像中分割出 30 个高危器官。

三、HaN-Seg2023数据集

训练集包含 42 名接受 CT 和 T1 加权 MR 成像和对应CT 图像30个高危器官 (OAR) 的分割结果，采用二进制分割掩码的形式，这些分割掩码是通过管理手动像素级专家图像注释获得的。测试集包含 14名接受 CT 和 T1 加权 MR 成像。

评价指标：骰子相似系数 (DSC) ，Hausdorff 距离 (HD95) ，中心线 DSC (clDSC)。

四、技术路线

1、头颈区域提取，首先使用固定阈值（-600，最大像素值）和最大连通域法获取整个人体ROI区域，然后采用肺分割方法提取肺部区域，然后人体ROI区域减去整个肺部区域后再求最大连通域方法就可以获得头颈ROI区域。

2、分析ROI图像，得到图像平均大小是322x338x148，因此将图像缩放到固定大小256x256x160。图像预处理，对步骤1的原始图像进行（-300，1500）窗宽窗位截断，然后采用均值为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600，损失函数采用多分类的dice和交叉熵。

4、训练结果和验证结果

5、验证集分割结果

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。

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。