chestnut111/SegTHOR2019

SegTHOR2019 SegTHOR Challenge: Segmentation of THoracic Organs at Risk in CT Images

segthor for keras

比赛网址 for more information： https://competitions.codalab.org/competitions/21012

label

标签	value	nickname
食管	1	red
心脏	2	pink
气管	3	yellow
动脉	4	blue

最后一次的提交结果：

时间	食管	心脏	气管	主动脉
3月17日	0.8452（第五名）	0.9328（第十八）	0.9039（第十四）	0.9115（第十六）
3月22日	0.8513（第七名）	0.9457（第九名）	0.9083（第十五）	0.9175（第二十四）

--
目前有优于以上的成绩的模型。

各个任务的相关实验数据 ：

食管： RED
心脏： PINK
气管： YELLOW
主动脉： BLUE

Data understanding

Example Pic

example

Training & Testing Data

The whole SegTHOR dataset (60 patients and 11084 slices) has been randomly split into:

• a training set: 40 patients, 7390 slices
• a testing set: 20 patients, 3694 slices

graph LR;
A[train set 40]-->B[for val 8];
A-->C[for train 32];

Loading

Train

Seg and cls mdoel

Inference https://github.com/qubvel/segmentation_models

Avaliable backbones:

Backbone model	Name	Weights
VGG16	vgg16	imagenet
VGG19	vgg19	imagenet
ResNet18	resnet18	imagenet
ResNet34	resnet34	imagenet
ResNet50	resnet50	imagenet imagenet11k-places365ch
ResNet101	resnet101	imagenet
ResNet152	resnet152	imagenet imagenet11k
ResNeXt50	resnext50	imagenet
ResNeXt101	resnext101	imagenet
DenseNet121	densenet121	imagenet
DenseNet169	densenet169	imagenet
DenseNet201	densenet201	imagenet
Inception V3	inceptionv3	imagenet
Inception ResNet V2	inceptionresnetv2	imagenet

Data processing

Data auto crop

graph LR;
F[3D cube]-->E(确定图像中心);
E-->V(3D crop)
V-.flatten.->G[单张slice]

Loading

Data normalization for CT

graph LR;
F[train CT image]-->E[HU mean for ev Pat];
L[train mask]-->E[ww and wl];
E-->G(train for norm CT image)
H[test  CT image]-->Q[ww and wl];
O[test  mask predict by older model]-->Q[ww and wl];
Q-->I(test for norm CT image)

Loading

效果图：

example