LLD-MMRI2023——多模态MRI 的肝脏病变诊断挑战
LLD-MMRI2023——多模态MRI 的肝脏病变诊断挑战
今天将分享多模态MRI 的肝脏病变诊断完整实现版本，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、LLD-MMRI2023介绍
肝癌是一种严重威胁全球人类健康的严重疾病。为了提高肝脏病变诊断的准确性，多模态对比增强磁共振成像 (MRI) 已成为一种很有前途的工具。在此背景下，我们的目标是发起首届多相 MRI 肝脏病变诊断挑战赛 (LLD-MMRI2023)，以鼓励该领域计算机辅助诊断 (CAD) 系统的发展和进步。
二、LLD-MMRI2023任务
使用8个多模态MRI图像对7 种不同的病变类型，包括 4 种良性类型（肝血管瘤、肝脓肿、肝囊肿和局灶性结节性增生）和 3 种恶性类型（肝内胆管癌、肝转移和肝细胞癌）进行分类。
三、LLD-MMRI2023数据集
1、训练集、验证集和测试集将分三个阶段提供。训练数据集（带标注）和验证数据集（无标注）将于4月28日率先发布。验证集上的注释将于7 月 8 日开放，测试数据集（无注释）将于8 月 2 日发布。
2、数据集包括完整的体积数据、病变边界框和预裁剪的病变补丁。
说明：
images：目录中有训练数据和验证数据images。每个以 MR 开头的文件夹代表一个患者病例，每个病例包含八个完整的 MRI 卷，每个卷代表一个扫描阶段并保存为 nii.gz 文件。您需要根据相应的8卷来诊断患者肝脏病变的类别。
labels：Annotation.json包含真实的体积间距信息、边界框信息和病变的类别信息。各类别肝脏病变对应标签如下：
注：-1表示该数据未提供类别标签，需要预测和提交。换句话说，带有标签-1的案例意味着数据属于验证集。
3、该数据集包含 7 种不同的病变类型，包括 4 种良性类型（肝血管瘤、肝脓肿、肝囊肿和局灶性结节性增生）和 3 种恶性类型（肝内胆管癌、肝转移和肝细胞癌）。参与者需要对每种情况下的肝脏病变类型做出诊断。
4、每个病变有 8 个不同的阶段，提供不同的视觉线索。
5、数据集比例如下： Training cases: 316 Validation cases: 78 Test cases: 104
6、评价指标：F1-score和Cohen's Kappa 系数。
四、技术路线
任务一、多模态MR肿瘤分割
1、首先使用固定阈值（100，最大像素值）和最大连通域法获取整个人体ROI区域。
2、将8个模态ROI图像缩放到固定大小256x256x96。图像预处理，对ROI图像进行（1，99）像素范围截断，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。
3、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。
4、训练结果和验证结果
CA模态结果
CDelay模态结果
Cpre模态结果
CV模态结果
DWI模态结果
InPhase模态结果
OutPhase模态结果
T2WI模态结果
5、验证集分割结果
左图是金标准结果，右图是网络预测结果。
CA模态分割结果
CDelay模态分割结果
Cpre模态分割结果
CV模态分割结果
DWI模态分割结果
InPhase模态分割结果
OutPhase模态分割结果
T2WI模态分割结果
任务二、多模态MR肿瘤分类
1、根据8个模态MR的mask的最大连通域得到ROI，分别提取对应模态MR图像的ROI。
2、将8个模态ROI图像缩放到固定大小96x96x32。图像预处理，对ROI图像进行（1，99）像素范围截断，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10倍数据增强处理。
3、搭建MutilResNet3d网络，将8个模态图像分别进行ResNet3d提取特征，然后再将这8个特征进行拼接输入到7类别的分类器中，使用AdamW优化器，学习率是0.001，batchsize是16，epoch是200，损失函数采用交叉熵。
4、训练结果和验证结果
5、验证集分类结果
平均AUC：0.852
平均F1-Score：0.471
precision recall f1-score support
0.0 0.38 0.60 0.46 5
1.0 0.33 0.33 0.33 3
2.0 0.00 0.00 0.00 2
3.0 0.33 0.25 0.29 4
4.0 0.50 0.33 0.40 3
5.0 0.00 0.00 0.00 3
6.0 0.64 0.90 0.75 10
accuracy 0.50 30
macro avg 0.31 0.35 0.32 30
weighted avg 0.40 0.50 0.44 30
cohen_kappa_score:0.38
测试集肿瘤分割和分类结果
左图是金标准结果，右图是网络预测结果。
CA模态分割结果
CDelay模态分割结果
Cpre模态分割结果
CV模态分割结果
DWI模态分割结果
InPhase模态分割结果
OutPhase模态分割结果
T2WI模态分割结果
分类结果
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。