一、CL-Detection2024介绍
头颅测量分析是正畸和正颌领域常用的一项基础检查。分析中的关键操作是从侧位头颅侧位片上标记颅面标志。这些标志是后续定性评估角度和距离的基准,可提供患者颅面状况的诊断信息并影响治疗计划决策。然而,可靠的标志注释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,手动识别这些标志也是一个耗时且费力的过程。因此,全自动和准确的标志定位一直是一个存在已久且需求巨大的领域。
在这次挑战中,目标是促进侧位X射线图像中通用头颅测量标志检测的发展。具体来说,检测算法有望准确定位侧位X光片中的53个标记点(13个软组织相关标记点、6个牙齿相关标记点、19个颅骨相关标记点、13个颈椎相关标记点、2个校准尺标记点)。
任务——这是全景X射线图像中颈椎标志检测的首个挑战。数据集——提供最多样化、最细致的侧位X射线数据集,包括来自4个医疗中心的约700张2D X射线图像。评估——不仅关注检测准确率,还关注检测效率,这与实际临床实践和要求相一致。
二、CL-Detection2024任务
x线图像中头颅侧位53个关键点检测。
三、CL-Detection2024数据集
数据集包含来自四个不同中心的约 700 张牙科 X 射线侧面图像。每张图像的成像视野覆盖第四颈椎和右上角的校准尺。数据分为训练集、验证集和测试集。只有训练集和验证集的图像对参与者公开。训练集:此数据集可供所有参与者在初步开发阶段开发 AI 模型。训练数据集包含从公共 ISBI 挑战赛数据集、公共 PKU 头颅侧位片数据集和私人深圳大学总医院数据集收集的 396 张侧面 X 射线图像。验证集:旨在支持实时公共排行榜,此数据集有助于在初步开发阶段进行模型选择和调整。验证数据集包含从公共 ISBI 挑战数据集、公共 PKU 头颅侧位片数据集和私人深圳大学总医院数据集收集的 50 张侧面 X 射线图像。测试集:用于在最终测试阶段结束时对 AI 模型进行基准测试。
牙科专家使用私人软件为每幅图像标注了 53 个标志点,包括 13 个软组织相关标志点、6 个牙齿相关标志点、19 个颅骨相关标志点、13 个颈椎相关标志点和 2 个校准尺标志点。标志点的像素位置和像素的物理距离包含在 labels.csv 文件中。行间距等于列间距。在表格的每一行中,从左到右,将找到图像文件名、间距以及从 1 到 53 的标志点的 x 和 y 像素坐标。
数据下载:
https://www.codabench.org/competitions/2576/#/pages-tab
评价指标:平均径向误差 (MRE),成功检测率 (SDR),运行时间(RT)和GPU 内存-时间曲线下的面积(GPU-area)。
四、技术路线
1、将图像缩放到固定大小1024x1024,对图像采用均值为0,方差为1的方式进行归一化处理。53个关键点坐标按照图像比例缩放到1024x1024的尺度,然后将53个关键点坐标生成53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。
2、搭建VNet2d和Unet2d网络,使用AdamW优化器,学习率是0.001,batchsize是2,epoch是300,损失函数采用focal loss和L2。
3、训练结果和验证结果
Unet2d+L2结果
Unet2d+focalloss结果
VNet2d+focalloss结果
4、验证集检测结果
Unet2d+focalloss结果
VNet2d+focalloss结果
Unet2d+Vnet2d结果
5、使用vnet+unet集成测试推理检测
验证集排行榜结果
点击阅读原文可以访问参考项目,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。