MICCAI STS 2024牙齿半监督分割挑战赛

导读

本文以2024年MICCAI的牙齿半监督分割STS挑战赛为出发点，介绍该挑战赛的细节和奖励，指导大家进行模型的设计和训练，本文的参考资料来自于挑战赛主页：https://STS-challenge.github.io。

计算机辅助诊断工具在现代牙科中受到越来越多的关注，特别是用于治疗计划或预后评估。其中，2D全景X射线图像和3D牙科锥束计算机断层扫描（CBCT）是临床中广泛用于正畸和牙髓学的图像模态。然而，从全景X射线图像或CBCT扫描中定位识别牙齿，并进一步分割牙齿仍然是一件费时费力的工作，这限制了深度学习算法在牙齿实例分割和牙科疾病分析的发展。作为一种潜在的替代方案，半监督学习可以从未标注的数据中探索有用的信息。

STS MICCAI 2024挑战赛，致力于开发高效的半监督学习方法，从全景X射线图像或CBCT扫描中自动地分割不同的牙齿实例。通过参加该挑战赛，大家有机会获得以下丰厚的奖励：

• 1）第一名将获得500美元的现金奖励
• 2）表现优秀的团队将邀请进行口头汇报和精美小礼品
• 3）邀请一同撰写挑战赛综述论文，投稿到MedAI或TMI高影响力期刊
• 4）挑战赛开放了Workshop论文通道，有兴趣可以去投稿（有详细模板指导）

投稿详细指南可以查看主页Call for Papers页面：https://STS-challenge.github.io/miccai2024/call_for_papers

挑战赛规则

STS 2024挑战赛寻求创新的半监督学习解决方案，以应对使用真实世界中牙科数据的牙齿实例的识别和分割挑战，其中包括多中心数据泛化、牙齿实例缺失以及乳牙识别等挑战。STS 2024挑战赛依托于CodaBench平台，规则如下：

• 1）每支参赛队伍只允许提供一个解决方案来处理所有的问题，并且不允许存在任何架构或超参数的人为调整
• 2）验证阶段，参赛队伍只能够看到验证数据集，每天只允许提交三次，提交的形式为验证集图片的预测结果
• 3）测试阶段，方法不能进行修改，参赛队伍需提交算法的Docker在未见过的测试数据集预测，只允许提交一次

挑战赛组织方将根据参赛选手的模型得出在图像级别和实例级别的Dice Similarity Coefficient (DSC)、Normalized Surface Distance (NSD)、Intersection over Union (IoU)、类别识别准确率Identification Accuracy (IA)，以及模型预测时间T和占用的GPU这九个指标来判断模型的效果。最后，同样会对参赛者的不同的方法进行横向的分析和比较。

数据集信息

STS 2024挑战赛提供了来自真实临床环境的多中心、全年龄段、标注最精细的牙科数据。具体来说，我们提供了两个任务和数据集：1）2D的全景X射线图像牙齿实例分割和2）3D的牙科CBCT图像牙齿实例分割。所有数据均经过伦理批准并匿名处理，确保了隐私和伦理标准的符合。下面是对挑战赛两个不同任务对应的数据集的详细划分信息：

任务1

全景X射线图像牙齿实例分割，jpg格式，共2450例：

任务链接 https://www.codabench.org/competitions/3024/
训练集
（无标注） 训练集
（有标注） 验证集
（预测结果提交） 测试集
（Docker提交）
2350 30 20 100

任务链接	https://www.codabench.org/competitions/3024/
训练集 (无标注)	2350
训练集 (有标注)	30
验证集 (预测结果提交)	20
测试集 (Docker 提交)	100

任务2

牙科CBCT影像牙齿实例分割，nii.gz格式，共400例：

任务链接	https://www.codabench.org/competitions/3025/
训练集 (无标注)	300
训练集 (有标注)	30
验证集 (预测结果提交)	20
测试集 (Docker 提交)	50

去年的Top方法介绍

在这里根据综述文献STS MICCAI 2023 Challenge: Grand challenge on 2D and 3D semi-supervised tooth segmentation给大家介绍一下去年STS 2023牙齿分割挑战赛的一些优秀的解决方案。具体来说，去年有434支团队注册了挑战，其中64支团队在最后阶段提交了有效结果。在满足进入最终阶段的所有标准的方法中，所有方法都基于深度学习方法进行，其中，伪标签生成方案是最常用的半监督策略——超过一半的团队采用。下面提供了比赛中队伍在不同任务中使用的网络架构和改进的完整列表。

2D 全景X射线图像牙齿分割

在STS 2023挑战赛2D全景X射线图像牙齿分割任务上，有些参赛者尝试融合CNN和Transformer网络架构,如FCBformer；同时，也有参赛者选择使用轻量级高效的网络骨干，如EfficientNetv2。其中，第一名采用了经典的Teacher-Student框架。值得一提的是，几乎所有前七名参赛团队都使用了多种损失函数的组合作为最终的损失，还有一些参赛团队提出了分阶段训练策略以及使用自动数据扩增策略，如下表所示：

3D 牙科CBCT图像牙齿分割

在STS 2023挑战赛3D牙科CBCT图像牙齿分割任务上，四个前七名团队都采用了强大的nnUNet框架作为骨干，并对其进行了进一步的改进，如增加网络深度和通道数。同样地，数据扩增模块和多阶段训练策略是CBCT牙齿分割任务中的有效方法。总的来说，优秀的解决方法在网络结构、数据增广、多阶段训练、半监督学习以及损失函数设计等方面进行了创新尝试，汇总结果如下表所示：

组织信息和答疑群聊

下面罗列出来的是本次STS 2024 MICCAI挑战赛的主要发起者和领导者信息：

1）Yaqi Wang, College of Media Engineering, Communication University of Zhejiang, China.

2）Xiaodiao Chen, College of Computer Science and Technology, Hangzhou Dianzi University, Hangzhou, China.

3）Yifan Zhang, Hangzhou Geriatric Stomatology Hospital, Hangzhou Dental Hospital Group, Division of Advanced Prosthetic Dentistry, Tohoku University Graduate School of Dentistry, State Key Laboratory of Oral Diseases, National Clinical Research Center for Oral Diseases, West China Hospital of Stomatology, Sichuan University, China.

此外，如果您有什么疑问可通过官网论坛或者邮件联系进行反馈，亦或者加入QQ和钉钉交流答疑群（QQ群号：663617297），最新通知将会第一时间在群内同步。