MICCAI 2021 FLARE 挑战：快速和低 GPU 内存腹部器官分割-附代码

MICCAI 2021 FLARE 挑战：快速和低 GPU 内存腹部器官分割

简介

腹部器官分割在临床实践中发挥着重要作用，在某种程度上，这似乎是一个已解决的问题，因为最先进的方法已经在几个基准数据集中实现了观察者间的性能。

然而，现有的腹部数据集大多只包含单中心、单阶段、单一机构或单一疾病的病例，并且尚不清楚是否可以将优异的性能推广到更多样的数据集上。

此外，许多 SOTA 方法使用模型集成来提高性能，但这些解决方案通常具有较大的模型尺寸和大量的计算资源，在临床实践中部署是不切实际的。

为了解决这些限制，我们组织了快速和低 GPU 内存的腹部器官分割挑战，该挑战具有两个主要特征：

1. 数据集庞大且多样化， 包括来自 12 个医疗中心的 511 个病例。
2. 我们不仅注重分割精度，还注重分割效率，符合实际临床实践和要求。

比赛任务

针对腹部各种期相的CT图像，同时实现肝脏、肾脏、脾脏和胰腺的分割。提供高效率低GPU（fast and low GPU memory）和高准确率(high accuracy)的解决方案。

比赛时间节点

• 2021 年 4 月 20 日（格林威治标准时间上午 12:00）：注册开放！
• 2021 年 5 月 1 日（格林威治标准时间上午 12:00）：发布训练和验证数据。Docker 和短论文提交验证集开放。
• 2021 年 7 月 31 日（格林威治标准时间上午 12:00）： 验证提交截止日期。
• 2021 年 8 月 1 日（格林威治标准时间上午 12:00）： Docker 和测试集开放的短论文提交。
• 2021 年8 月20 日（格林威治标准时间上午 12:00）：测试提交的截止日期。
• 2021 年 10 月 1 日：将提供结果排名。

由此，可看出该比赛已经进入尾声了，虽然我们不能参加，但也可以学习优秀的解决方案，用于我们的分割任务。

主办方

马骏（南京理工大学）（提供4个基线模型）

顾松（南京信息工程大学）

张姚（中国科学院计算技术研究所；中国科学院大学）

Xingle An, 北京推想科技有限公司

王志和，深圳市海创医疗有限公司

王聪聪（天津工业大学）

程戈（江苏工业大学）

董国强 （南京大学）

朱琼杰（南京大学）

何健（南京大学）

杨小平（南京大学）

数据集

数据包括训练集（361例，全部为门脉期）、验证集（50例，各种期相）和测试集（100例，各种期相）。

不同期相差异解释参考 CT 不同期相说明

评价指标

• Dice Similarity Coefficient
• Normalized Surface Dice
• Running time
• Maximum used GPU memory (When the inference is stable)
  

知乎作者评价

数据方面：
从以下角度进行统计分析，图像spacing\size\orientation，各个器官的形状、密度、上下文等特征，阴阳性的比例，badcase特点。

算法方面：对算法的pipeline和网络结构进行优化，采用分块/整图、一阶段/多阶段的pipeline，设计高效率的网络结构。解决病理性图像分割失败的问题，提升不同期相的泛化问题。

本次竞赛追求高效率和高准确率的解决方案，我们需要从算法流程上降低推理时间，从网络结构上降低模型的显存占用。针对数据的分布和分割目标的特点，提升分割的准确率。

分割的难点：

训练集、验证集和测试集数据分布差异较大，包括期相、阴阳性的比例等
不同器官的形状、大小分布差异较大，存在不同扫描范围的数据
训练三维的分割模型存在显存不足的问题

优化的出发点：

采用多阶段算法（定位+分割）解决扫描范围的差异
采用均衡的数据采样方法解决分布不一致的问题
采用对比度增强方法，消除不同期相带来的差异
参考实时语义分割场景，设计高效率分割网络
对上下文特征进行学习，提升病理性分割的准确率
采用混合精度训练、分布式训练、模型并行等方法，提升显存利用效率

基线模型

我们（主办方）进一步为全监督、半监督、弱监督和持续学习构建了四个器官分割基准，这些是目前具有挑战性和活跃的研究课题。

此外，作者还给出了50例12个注释器官

以上基线模型的代码参考链接：

基线 github

彩蛋

主办方邀请到nnUNet作者【Fabian Isensee 】和 UNet++, ModelGenesis作者【Zhongwei Zhou】在 MICCAI FLARE 分别分享关于nnUNet背后的故事和高效利用医学数据的相关工作：

• nnU-Net - the baseline, the tool, the framework. Insights, analysis and future directions
• Data, Assemble: Towards Efficient Medical Image Analysis

论文解读- nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation）

MICCAI FLARE将在北京时间 10.1日 17-21点举行，欢迎大家届时参加。（没找到直播链接，应该是有的）

相关的链接：

挑战赛

主办方论文

文章持续更新，可以关注微信公众号【医学图像人工智能实战营】获取最新动态，一个关注于医学图像处理领域前沿科技的公众号。坚持已实践为主，手把手带你做项目，打比赛，写论文。凡原创文章皆提供理论讲解，实验代码，实验数据。只有实践才能成长的更快，关注我们，一起学习进步~

我是Tina, 我们下篇博客见~

白天工作晚上写文，呕心沥血

觉得写的不错的话最后，求点赞，评论，收藏。或者一键三连