CL-Detection 2023——X射线图像头颅测量关键点检测改进方案

今天将分享X射线图像头颅测量关键点检测改进方案完整实现版本，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、CL-Detection 2023介绍

头部测量分析是一项基础检查，常用于正畸和正颌领域。分析过程中的关键操作是从侧位头颅照片中标记颅面标志，这提供了患者颅面状况的诊断信息并影响治疗计划决策。由于颅骨的 X 射线成像质量和解剖类型的个体差异，要在侧位头颅图中以高精度可靠地定位标志并不容易。可靠的标注通常需要经验丰富的医生，即使对于经验丰富的正畸医生来说，手动识别这些标记也是一个耗时的过程。

二、CL-Detection 2023任务

头部测量38个关键点自动检测。

三、CL-Detection 2023数据集

通过使用更多的标注来扩展现有基准数据集，将获得多样化的头颅测量标记检测数据集，其中包括来自 3 个医疗中心的 600 张 X 射线图像以及所有病例的 38 个颅面标记点。

评估指标包括：1）预测与金标准之间的平均径向误差（MRE）；2) 2.0 mm 的成功检测率 (SDR)。

四、技术路线

在前面的文章出给出官方的baseline方案及部分改进CL-Detection 2023——X射线图像头颅测量关键点检测，今天在这个基础上再增加一个网络再进行了检测训练，最终并集成三个结果给出最后检测结果。具体实现细节如下：

1、头颅非零区域提取，去除图像0像素填充区域，得到ROI图像。

2、将ROI图像缩放到固定大小512x512，对ROI图像采用均值为0，方差为1的方式进行归一化处理。关键点坐标按照图像比例缩放到512x512的尺度，然后将38个关键点坐标生成38个通道的高斯热力图，高斯sigma参数是10，然后将数据分成训练集和验证集。

3、搭建VNet2d和Unet2d网络，使用AdamW优化器，学习率是0.001，batchsize是4，epoch是100，损失函数采用focal loss和L2。

4、训练结果和验证结果

Unet2d结果

Vnet2d结果

Unet2d L2结果

5、验证集检测结果

2个Unet2d+Vnet2d结果

其中在512x512分辨率下，vnet结果的MRE是6.1，unet结果的MRE是5.2，unet+vnet+unetls结果的MRE是4.27，单位是1个像素。

6、使用vnet+unet+unetls集成测试推理检测

排行榜上检测结果排名

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。