首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >BraTS2023-GLI——BraTS2023成人胶质瘤分割挑战赛

BraTS2023-GLI——BraTS2023成人胶质瘤分割挑战赛

作者头像
医学处理分析专家
发布于 2023-11-14 04:24:23
发布于 2023-11-14 04:24:23
1.6K0
举报

今天将分享BraTS2023成人胶质瘤分割挑战赛完整实现版本,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、BraTS2023-GLI介绍

脑肿瘤是最致命的癌症类型之一。具体而言,胶质母细胞瘤和具有胶质母细胞瘤分子特征的弥漫性星形细胞胶质瘤,是成人中枢神经系统最常见和最具侵袭性的恶性原发肿瘤,在外观、形状和组织学上具有极大的内在异质性,中位生存期约为15个月。由于向大脑输送药物的挑战,以及这些肿瘤在放射影像、形态和分子影像方面固有的高度异质性,脑肿瘤通常难以诊断、难以治疗,并且对传统疗法具有固有的耐药性。过去 30 年来,为了改善诊断、特征描述和治疗,进行了多年的广泛研究,使美国的胶质瘤死亡率降低了7%。

二、BraTS2023-GLI任务

神经胶质瘤亚区域分割。

三、BraTS2023-GLI数据集

多中心常规临床采集的神经胶质瘤多参数 MRI (mpMRI) 扫描被用作BraTS23-GLI挑战的训练、验证和测试数据。训练和验证数据与 BraTS21 中使用的相同;然而,BraTS23挑战赛中使用的测试数据集已更新为更多常规临床获得的 mpMRI 扫描。肿瘤子区域的真实注释由专家神经放射学家为训练、验证和测试数据进行标注,以定量评估预测的肿瘤分割。

所有 BraTS mpMRI 扫描均以 NIfTI 文件 (.nii.gz) 形式提供,由a) 原生 (T1) 和 b) 对比后 T1 加权 (T1Gd)、c) T2 加权 (T2) 和 d) T2 流体衰减反转恢复 (T2-FLAIR) 组成,是通过不同的临床方案和来自多个数据提供机构的各种扫描仪获得的。

所有成像数据集均由一到四名评估者按照相同的注释协议进行手动注释,并且其注释得到了经验丰富的神经放射科医生的批准。注释包括 GD 增强肿瘤(ET — 标签 3)、肿瘤周围水肿/浸润组织(ED — 标签 2)和坏死肿瘤核心(NCR — 标签 1),如最新的 BraTS 总结论文中所述。真实数据是在预处理后创建的,即共同注册到相同的解剖模板,插值到相同的分辨率(1 mm3)并去除头骨。ET 是通过与 T1 相比,以及与T1Gd中的“健康”白质相比,在 T1Gd 中显示出高强度的区域来描述的。TC 描述了肿瘤的大部分,通常是切除的肿瘤。TC 包含 ET 以及肿瘤的坏死 (NCR) 部分。与 T1 相比,T1-Gd 中 NCR 的出现通常是低强度的。WT 描述了疾病的完整范围,因为它涉及TC和瘤周水肿/浸润组织 (ED),这通常由 FLAIR 中的超强信号来描述。

四、技术路线

1、根据固定阈值和形态学最大连通域分析得到大脑ROI区域,然后提取原始图像和标注图像的ROI。

2、分析步骤1的ROI图像信息,得到图像平均大小是136x170x140,因此将图像缩放到固定大小160x160x160。

3、图像预处理,对步骤2的原始图像进行像素值(1,99)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5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3,epoch是200,损失函数采用多分类的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,右图是网络预测分割结果。

7、测试集分割结果

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。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2023-11-13,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 最新医学影像技术 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
BraTS2023-SSA——BraTS2023撒哈拉以南非洲成人胶质瘤分割挑战
今天将分享BraTS2023撒哈拉以南非洲成人胶质瘤分割挑战完整实现版本,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。
医学处理分析专家
2023/12/04
5001
BraTS2023-SSA——BraTS2023撒哈拉以南非洲成人胶质瘤分割挑战
在BRATS挑战赛中用于脑肿瘤分割、预后评估和总体生存预测的最佳机器学习算法
胶质瘤是最常见的原发性脑恶性肿瘤,具有不同程度的侵袭性、不同的预后和不同的组织学亚区,即瘤周水肿/瘤周浸润侵犯组织,坏死组织,增生活跃的组织,非强化的组织。这种内在的异质性也表现在它们的影像学表型上,因为它们的亚区域通过多参数磁共振成像(mpMRI)扫描中不同强度分布来描述,反映了不同的生物学特性。它们的形状、范围和位置的不均匀性是导致这些肿瘤难以切除的一些因素,在某些情况下甚至无法手术。在纵向扫描中,在评估表观肿瘤的潜在预后诊断时,需要切除肿瘤的数量也是一个考虑因素。此外,越来越多的证据表明,精确分割各种肿瘤亚区域可以为定量图像分析提供基础,从而预测患者的总体生存率。本研究评估了2012-2018年国际脑肿瘤分割(BraTS)挑战赛最后七次比赛中,mpMRI扫描中用于脑肿瘤图像分析的最新机器学习(ML)方法。具体而言,我们关注:
用户1279583
2022/02/28
1.8K0
在BRATS挑战赛中用于脑肿瘤分割、预后评估和总体生存预测的最佳机器学习算法
BraTS2023-MEN——BraTS2023颅内脑膜瘤分割挑战赛
今天将分享BraTS2023颅内脑膜瘤分割挑战赛完整实现版本,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。
医学处理分析专家
2023/11/24
7282
BraTS2023-MEN——BraTS2023颅内脑膜瘤分割挑战赛
BraTS2023-PED——BraTS2023儿科肿瘤分割挑战赛
今天将分享BraTS2023儿科肿瘤分割挑战赛完整实现版本,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。
医学处理分析专家
2023/11/30
6070
BraTS2023-PED——BraTS2023儿科肿瘤分割挑战赛
​BraTS2023-MET——BraTS2023脑转移分割挑战赛
今天将分享BraTS2023脑转移分割挑战赛完整实现版本,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。
医学处理分析专家
2023/11/07
1.3K0
​BraTS2023-MET——BraTS2023脑转移分割挑战赛
BraTS2023-Local-Synthesis——BraTS2023局部组织修复合成挑战赛
今天将分享BraTS2023局部组织修复合成挑战赛完整实现版本,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。
医学处理分析专家
2023/11/22
3350
BraTS2023-Local-Synthesis——BraTS2023局部组织修复合成挑战赛
Radiology:人工智能在神经肿瘤学中的新兴应用
随着计算机算法呈指数式增长,人工智能(AI)方法有望提高医学诊断和治疗方法的精确度。影像组学方法在神经肿瘤学领域中的应用一直并可能继续处于这场革命的前沿。应用于常规和高级神经肿瘤学MRI数据的各种AI方法已经能够识别弥漫性胶质瘤的浸润边缘,区分假性进展和真实进展,并且比日常临床实践中使用的方法更好地预测复发和生存率。影像基因组学还将促进我们对癌症生物学的理解,允许以高空间分辨率对分子环境进行无创采样,从而能够对潜在异质性细胞和分子过程的系统理解。通过提供空间和分子异质性的体内标记物,基于人工智能的影像组学和影像基因组学工具有可能将患者分为更精确的初始诊断和治疗途径,并在个性化医疗时代实现更好的动态治疗监测。尽管仍存在重大挑战,但随着人工智能技术的进一步发展和临床应用的验证,在影像学实践中将发生巨大变化。
用户1279583
2022/02/28
1K0
Radiology:人工智能在神经肿瘤学中的新兴应用
脑肿瘤的影像组学:图像评估、定量特征描述和机器学习方法
影像组学描述了从影像图像中提取定量特征的一系列计算方法。其结果常常被用于评估影像诊断,预后以及肿瘤治疗。然而,在临床环境中,优化特征提取和快速获取信息的方法仍然面临重大挑战。同样重要的是,从临床应用角度,预测的影像组学特征必须明确地与有意义的生物学特征和影像科医生熟悉的定性成像特性相关联。在这里,我们使用跨学科的方法来强化影像组学的研究。我们通过提供基于新的临床见解的计算模型(例如,计算机视觉和机器学习)来探究脑肿瘤影像学研究(例如,潜在的图像意义)。我们概述了当前定量图像特征提取和预测方法,以及支持临床决策不同水平的可行的临床分类。我们还进一步讨论了机器学习未来可能面临的挑战和数据处理方法,以推进影像组学研究。本文发表在American Journal of Neuroradiology杂志。
用户1279583
2022/02/28
1.9K0
脑肿瘤的影像组学:图像评估、定量特征描述和机器学习方法
Neuro-Oncology:深度学习算法全自动评估脑胶质瘤负荷
基于深度学习算法,来自麻省总医院等机构的研究者可以全自动地从MRI图像中分割脑胶质瘤,其效果与专家手工分割不相上下。该研究发表在最近的Neuro-Oncology期刊上。
用户1279583
2019/08/30
1.1K0
Neuro-Oncology:深度学习算法全自动评估脑胶质瘤负荷
Neuro-Oncology:对脑胶质瘤IDH突变状态进行分类的一种新型的基于MRI的全自动深度学习算法
异柠檬酸脱氢酶(Isocitrate dehydrogenase, IDH)突变状态已成为神经胶质瘤的重要预后标志。当前,可靠的IDH突变诊断需要侵入性外科手术。该研究的目的是使用T2加权(T2w)MR图像开发高度精确的、基于MRI的、基于体素的深度学习IDH分类网络,并将其性能与基于多模态数据的网络进行比较。研究人员从癌症影像档案馆(The Cancer Imaging Archive,TCIA)和癌症基因组图谱(The Cancer Genome Atlas,TCGA)中获得了214位受试者(94位IDH突变,120位IDH野生型)的多参数脑MRI数据和相应的基因组信息。他们开发了两个单独的网络,其中包括一个仅使用T2w图像的网络(T2-net)和一个使用多模态数据(T2w,磁共振成像液体衰减反转恢复序列(FLAIR)和T1 postcontrast)的网络(TS-net),以执行IDH分类任务和同时进行单标签肿瘤分割任务。本文使用3D的Dense-UNets的架构。使用三折交叉验证泛化网络的性能。同时使用Dice系数评估算法分割肿瘤的精度。T2-net在预测IDH突变状态任务上表现出97.14%±0.04的平均交叉验证准确率,灵敏度为0.97±0.03,特异性为0.98±0.01,曲线下面积(AUC)为0.98±0.01。TS-net的平均交叉验证准确性为97.12%±0.09,灵敏度为0.98±0.02,特异性为0.97±0.001,AUC为0.99±0.01。T2-net的肿瘤分割Dice系数的平均得分为0.85±0.009,TS-net的肿瘤分割Dice系数的平均得分为0.89±0.006。
用户1279583
2020/04/01
1.3K0
基于MRI医学图像的脑肿瘤分级
本文对近年来脑磁共振(MR)图像分割和肿瘤分级分类技术进行概述。文章强调了早期发现脑肿瘤及其分级的必要性。在磁共振成像(MRI)中,肿瘤可能看起来很清楚,但医生需要对肿瘤区域进行量化,以便进一步治疗。数字图像处理方法和机器学习有助于医生进一步诊断、治疗、手术前后的决策,从而发挥放射科医生和计算机数据处理之间的协同作用。本文旨在回顾以胶质瘤(包括星形细胞瘤)为靶点的肿瘤患者的脑部MR图像分割和分类的最新进展。阐述了用于肿瘤特征提取和分级的方法,这些方法可以整合到标准临床成像协议中。最后,对该技术的现状、未来发展和趋势进行了评估。本文发表在Biomedical Signal Processing and Control杂志。
用户1279583
2022/02/28
3.2K0
基于MRI医学图像的脑肿瘤分级
SPPIN 2023——小儿神经母细胞瘤术前规划分割
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。
医学处理分析专家
2023/08/17
3231
SPPIN 2023——小儿神经母细胞瘤术前规划分割
Lancet Oncology:利用人工神经网络对神经肿瘤学MRI成像进行自动定量肿瘤疗评估
思影科技专注于脑影像数据处理,涵盖(fMRI,结构像,DTI,ASL,EEG/ERP,FNIRS,眼动)等,希望专业的内容可以给关注者带来帮助,欢迎留言讨论,也欢迎参加思影科技的其他课程。
用户1279583
2019/08/22
1.2K0
大会 | CVPR2017精彩论文解读:结合序列学习和交叉形态卷积的3D生物医学图像分割 | CVPR 2017
AI科技评论按:虽然CVPR 2017已经落下帷幕,但对精彩论文的解读还在继续。下文是宜远智能的首席科学家刘凯对此次大会收录的《结合序列学习和交叉形态卷积的3D生物医学图像分割》(Joint Sequence Learning and Cross-Modality Convolution for 3D Biomedical Segmentation)一文进行的解读。 3D医学图像的切割的背景 3D医学图像的切割是医学图像处理里一个非常重要的工作,比如脑部MRI数据、肺CT数据和X光数据等等。现在大多数的3D
AI科技评论
2018/03/13
1.1K0
大会 | CVPR2017精彩论文解读:结合序列学习和交叉形态卷积的3D生物医学图像分割 | CVPR 2017
A4-Unet:用于肿瘤分割的可变多尺度注意网络 !
近年来,脑肿瘤分割模型在诊断中发挥了重要作用。然而,它们面临着MRI复杂性和多变性的挑战,包括不规则形状和边界模糊,导致噪声、误分类和不完整的分割,从而限制了其准确性。
未来先知
2025/01/20
4860
A4-Unet:用于肿瘤分割的可变多尺度注意网络 !
冠军方案解读 | nnUNet改进提升笔记
BraTS2021包括了来自2000名患者的多参数MRI扫描结果,其中1251人的图像提供了分割标签给参与者来开发算法,其中219人在验证阶段被用于公共排行榜,其余530个案例用于私人排行榜和参与者的最终排名。
集智书童公众号
2021/12/13
4.4K0
冠军方案解读 | nnUNet改进提升笔记
空间多组学分析显示胶质母细胞瘤具有多层结构
追风少年i
2024/04/24
2180
空间多组学分析显示胶质母细胞瘤具有多层结构
BraTS18——多模态MR图像脑肿瘤分割挑战赛
之前挑战赛的数据都是以CT图像为主,而医学影像还有其他模态,例如核磁共振成像。今天我将分享如何对多模态MR图像脑肿瘤进行分割处理。为了方便大家学习理解整个分割流程,我将整个流程步骤进行了整理,并给出每个步骤的结果,希望对大家有所帮助。
医学处理分析专家
2020/06/29
2.3K1
BraTS18——多模态MR图像脑肿瘤分割挑战赛
女子早癌病变被漏诊,AI医生在X光中发现!谷歌最新AI听咳嗽就能检测新冠/结核
最近,AI在11名女性的乳腺X光检查中,成功地发现了被人类医生遗漏的乳腺癌早期迹象。
新智元
2024/03/25
1500
女子早癌病变被漏诊,AI医生在X光中发现!谷歌最新AI听咳嗽就能检测新冠/结核
NVIDIA开发强大的深度学习技术,可自动分割肿瘤
仅在美国,每年有数万人被诊断出脑瘤。 为了帮助医生更有效地分析,治疗和监测肿瘤,NVIDIA研究人员开发了一种强大的基于深度学习的技术,该技术使用3D磁共振图像自动分割肿瘤。分割提供受影响区域的肿瘤边界定义。
AiTechYun
2018/12/24
1.2K0
NVIDIA开发强大的深度学习技术,可自动分割肿瘤
推荐阅读
BraTS2023-SSA——BraTS2023撒哈拉以南非洲成人胶质瘤分割挑战
5001
在BRATS挑战赛中用于脑肿瘤分割、预后评估和总体生存预测的最佳机器学习算法
1.8K0
BraTS2023-MEN——BraTS2023颅内脑膜瘤分割挑战赛
7282
BraTS2023-PED——BraTS2023儿科肿瘤分割挑战赛
6070
​BraTS2023-MET——BraTS2023脑转移分割挑战赛
1.3K0
BraTS2023-Local-Synthesis——BraTS2023局部组织修复合成挑战赛
3350
Radiology:人工智能在神经肿瘤学中的新兴应用
1K0
脑肿瘤的影像组学:图像评估、定量特征描述和机器学习方法
1.9K0
Neuro-Oncology:深度学习算法全自动评估脑胶质瘤负荷
1.1K0
Neuro-Oncology:对脑胶质瘤IDH突变状态进行分类的一种新型的基于MRI的全自动深度学习算法
1.3K0
基于MRI医学图像的脑肿瘤分级
3.2K0
SPPIN 2023——小儿神经母细胞瘤术前规划分割
3231
Lancet Oncology:利用人工神经网络对神经肿瘤学MRI成像进行自动定量肿瘤疗评估
1.2K0
大会 | CVPR2017精彩论文解读:结合序列学习和交叉形态卷积的3D生物医学图像分割 | CVPR 2017
1.1K0
A4-Unet:用于肿瘤分割的可变多尺度注意网络 !
4860
冠军方案解读 | nnUNet改进提升笔记
4.4K0
空间多组学分析显示胶质母细胞瘤具有多层结构
2180
BraTS18——多模态MR图像脑肿瘤分割挑战赛
2.3K1
女子早癌病变被漏诊,AI医生在X光中发现!谷歌最新AI听咳嗽就能检测新冠/结核
1500
NVIDIA开发强大的深度学习技术,可自动分割肿瘤
1.2K0
相关推荐
BraTS2023-SSA——BraTS2023撒哈拉以南非洲成人胶质瘤分割挑战
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档