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

Posted 2021-10-10 Tina姐

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了MICCAI 2021 FLARE 挑战：快速和低 GPU 内存腹部器官分割-附代码相关的知识，希望对你有一定的参考价值。

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：

数据集庞大且多样化，包括来自 12 个医疗中心的 511 个病例。
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）