SPPIN 2023——小儿神经母细胞瘤术前规划分割

今天将分享小儿神经母细胞瘤分割完整实现版本，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、SPPIN2023介绍

神经母细胞瘤： 神经母细胞瘤是儿童中最常见的癌症之一，占儿童癌症相关死亡的 15%。这种肿瘤起源于交感神经系统，通常位于腹部。神经母细胞瘤的治疗包括手术切除肿瘤，但完全切除肿瘤通常具有挑战性。

神经母细胞瘤的手术计划： 由于神经母细胞瘤通常靠近甚至包裹受影响区域的器官和血管，因此手术过程可能会很复杂。这些结构可以包括腹部器官，如肾脏、肝脏、胰腺和脾脏，或腹部大血管，如主动脉和肾静脉。在手术计划期间，必须清楚地了解神经母细胞瘤与相关解剖结构的关系。目前，磁共振成像（MRI）被用作术前成像。研究肿瘤和相关结构的 3D 模型可指导外科医生在术前了解这种复杂情况，正如其他儿科肿瘤所显示的那样

神经母细胞瘤的分割： 神经母细胞瘤和其他相关解剖结构的手动或半自动分割的当前临床实践非常耗时且依赖于用户。自动化分割过程可以使 3D 模型在神经母细胞瘤患者的术前计划中的使用更加可靠、适用和可访问。

神经母细胞瘤分割的自动化是一项复杂的任务，原因如下：

A、儿科肿瘤学很少见，因此数据集的大小有限。

B、虽然每个孩子在整个治疗过程中都会接受多次扫描，但化疗会对肿瘤的大小、结构和外观产生巨大影响。包括在不同治疗阶段获得的扫描可以创建更大更复杂的数据集，但对术前分割的影响是未知的。

C、由于肿瘤的位置、形状和大小各不相同，并且（可能）涉及解剖结构，因此肿瘤与其他解剖结构之间的区别往往很复杂。

D、为了全面了解相关解剖结构，在手术计划中研究了使用不同参数（例如 T1 加权前后对比、T2 加权和弥散加权）获得的多个 MRI 序列，从而得出以下假设：参数化分割可以改进整套解剖结构的分割。除此之外，一些肿瘤在 T1 加权成像上更清晰可见，而另一些在 T2 加权成像上更清晰可见。

E、神经母细胞瘤的确切边界通常很难看清。

二、SPPIN2023任务

任务1：分割神经母细胞瘤

任务2：相关腹部解剖器官（肾脏，肝，脾，胰腺）和血管（动脉，静脉）分割。

神经母细胞瘤分割是完全监督的，数据集中的每个患者都有标签。其他相关解剖器官结构的分割是半监督的，训练数据集中只有少数完全注释的患者。

三、SPPIN2023数据集

训练数据集包含 39 名独特患者的 MRI 扫描。 对于每位患者，可以使用 1-5 个扫描序列。所有成像均在术前进行。对于每位患者，可提供 3D T2 加权成像、对比后 T1 加权成像和两个 B 值（B0 和 B100）的扩散加权成像。

评估指标：dice系数、95置信度Hausdorff距离和体相似性。

四、技术路线

任务一、神经母细胞瘤分割

1、通过分析标注mask图像所对应的多模态MRI图像只有T1序列是大小匹配的，所以只用T1数据来分割神经母细胞瘤。

2、人体ROI区域提取，首先使用固定阈值（50，最大像素值）和最大连通域法获取整个牙齿ROI区域。

3、分析ROI图像，得到图像平均大小是368x200x300，因此将图像缩放到固定大小320x160x320。在对图像采用均值为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。

4、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是300，损失函数采用二值化的dice和交叉熵。

5、训练结果和验证结果

6、验证集分割结果

左图是金标准结果，右图是预测结果。

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。