TDSC-ABUS2023——2023年自动化3D乳腺超声 (ABUS) 的肿瘤检测、分割和分类挑战验证集结果

今天将分享3D 乳腺超声 (ABUS) 的肿瘤检测、分割和分类完整实现版本，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、TDSC-ABUS2023介绍

乳腺癌是全世界女性最常见的死亡原因之一。早期发现有助于减少死亡人数。自动化 3D 乳房超声是一种较新的乳房筛查方法，与手持式乳房 X 光检查相比具有许多优点，例如安全性、速度和更高的乳腺癌检出率。因此，它可能在未来几年内风靡全球。

肿瘤分割、分类和检测是医学图像分析中的三大基本任务。对于大肿瘤尺寸和形状变化、不规则和模糊的肿瘤边界以及低信噪比，这些任务在 3D ABUS 体积上非常具有挑战性。此外，很少有开放可访问的 ABUS 数据集具有良好标记的肿瘤，这阻碍了乳腺肿瘤分割、分类和检测系统的发展。

二、TDSC-ABUS2023任务

3D ABUS 图像中检测、分割和分类肿瘤。

三、TDSC-ABUS2023数据集

数据集包含 200 个带有精细肿瘤标签的 3D 体积，这些自动 3D 乳房超声 （ABUS）数据来自 中国哈尔滨医科大学肿瘤医院的 ABUS 系统（Invenia ABUS，GE Healthcare）。经验丰富的放射科医生会标记并检查这些数据。图像尺寸在 843*546*270 和 865*682*354 之间。轴向和横向分辨率均为 0.5mm。图像将存储在 .nrrd 文件中。体素级分割注释为： 0 - 背景，1 - 肿瘤。训练用例、验证用例和测试用例的比例 如下所示：

1、训练案例：100（相对大量的数据用于训练稳健的模型）。

训练文件夹包含两个目录和一个csv文件：

DATA 目录包含所有IMAGE文件

MASK 目录包含所有ANNOTATION 文件

labels.csv 包含一个表，其中每一行代表一个案例，由其唯一的案例 ID 标识，并指定肿瘤是良性的（缩写为“B”）还是恶性的（缩写为“M”），以及路径到相应的 DATA 和 MASK 文件。

bbx_labels_Train.csv包含一个表，其中每一行代表一个案例，由其唯一的案例ID表示，并指定肿瘤的边界框和肿瘤恶性分数。

2、开放验证案例：30个（相对较少的数据用于验证来自不同参与者的算法，通过验证数据集验证评估码，确保挑战的公平性。同时，相对较少的数据可以避免测试集数据分布的披露）。

3、封闭测试用例：70 个（相对大量的数据用于公平的最终排行榜）。所有三个数据集都是从全部 200 个案例中分层抽样的。

评估指标

1、任务分割：Dice Similarity Coefficient (Dice)：Dice 用于评估基于区域的重叠指数。Hausdorff 距离 (HD)：HD 用于评估表面的重合度，以确保稳定和对异常值敏感。

2、任务分类：准确度：准确度表示分类器整体的性能。AUC：在临床应用中，敏感性和特异性都很重要，因为癌症缺失或过度治疗是不可接受的

3、任务检测：mAP@0.75：使用联合交集（IOU）阈值为 0.75 的平均 AP 来评估目标检测性能。

四、技术路线

乳腺肿瘤分割采用两阶段分割网络，第一个网络进行粗分割定位肿瘤位置，第二个网络进行精分割得到肿瘤精确轮廓，然后在根据精分割mask和对应ROI图像进行良恶性分类。具体实现可以参考这篇文章TDSC-ABUS2023——2023 年自动化 3D 乳腺超声 (ABUS) 的肿瘤检测、分割和分类挑战.

根据比赛提交要求，分割结果需要提交*.nii.gz格式的文件，分类结果需要提交一个csv文件，包含caseid和对应分类结果，检测结果需要提交一个csv文件，包含caseid，对应的boundingbox的左上角顶点和对应长宽高，还有置信分数。

验证集分割和检测部分结果如下所示。

分割评价结果

分类评价结果

检测评价结果

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。