竞赛官网

CodaLab - Competitionhttps://codalab.lisn.upsaclay.fr/competitions/12239

背景介绍

腹部器官是相当常见的患癌部位，例如结直肠癌和胰腺癌，分别位列癌症死亡率排名的第二位和第三位。Computed tomography (CT) 成像可以为医生提供重要的诊断信息，在临床腹部疾病诊疗中被广泛使用。为了精准地做出诊断，临床实践中需要通过图像分割来明确病灶及其与周围器官的关系。手工分割非常耗时耗力，而且有较大的组内和组间差异性。AI的发展有望将这个过程变得自动化，大幅降低医生手工分割的负担。FLARE23竞赛旨在促进腹部CT器官和肿瘤通用分割方法的发展，它是FLARE21和FLARE22竞赛的延伸。FLARE21的任务是在全监督环境下分割4个腹部器官，FLARE22的任务是在半监督环境下分割13个腹部器官。FLARE23中，新添加了泛癌分割任务，同时将训练数据进一步扩充到了4000个3D病例！与现有的其他腹部病变分割任务不同，FLARE23的数据涵盖了多种腹部癌症类型（如肝癌、肾癌、胃癌、胰腺癌、结肠癌）。分割算法需要分割13个腹部器官和所有可从CT中观察到的病变，如下图所示：

数据介绍

作为首个关注腹部CT泛癌分割的竞赛，我们提供了目前国际上最大的腹部CT数据集，包含了来自30多个医学中心的4000例CT数据，数据划分如下：

训练集：2200例部分标注的CT病例，1800例未标注的CT病例；
验证集：100例不同癌种的CT病例；
测试集：400例不同癌种的CT病例。

Remark：FLARE22的比赛证明，利用好无标注数据能大幅提升方法的泛化能力！强烈推荐阅读FLARE22获胜队伍的文章：Awards - Grand Challenge

评测指标

1）分割精度指标

Dice Similarity Coefficient（DSC)：区域重合度，得分范围在 [0, 1]；
Normalized Surface Distance（NSD）：给定误差范围内的边界重合度，得分范围在 [0, 1]。

Code：GitHub - JunMa11/FLARE: Official Repository of MICCAI FLARE Challenges

2）分割性能指标

运行时间，单个病例的运行时间按如下公式计算，需要注意的是，若运行时间超过60秒，则该病例的DSC和NSD都会记为0；

$Running\ Time \left ( T \right ) = \begin{cases} 0, & T\leq 15 \\ T-15, & 15< T\leq 60 \\ 60, & T> 60 \end{cases}$

GPU显存 - Time曲线下面积，数值越低表示性能越好。GPU显存有4GB的容忍值，即分割过程中显存占用4GB以内即可在GPU指标上得到满分。

参赛方式

1）获取参赛编号：证明自己会用Docker封装算法

为了保证在测试集上客观地评测，FLARE要求参赛者提交docker，而不是直接开放测试集给参赛者。因此，我们设置该测试来确保所有的参赛者都是会docker的。具体而言，参赛者需要基于如下playground里的数据开发任意的分割算法，用docker封装好并上传到docker hub；Home - Grand ChallengeFully supervised abdominal organ CT segmentation benchmarkhttps://abdomenct-1k-fully-supervised-learning.grand-challenge.org/
用docker分割测试集并录屏3~5个测试病例的预测过程，在Submit页面提交分割结果；
把视频、docker hub链接和排行榜（DSC＞0.8）截图发送到MICCAI.FLARE@aliyun.com，主办方审核后将发放参赛编号，用这个参赛编号就可以参加正式的比赛了。

Remark 1：若已在MICCAI FLARE21竞赛中获奖，或在MICCAI FLARE22竞赛中发表LNCS文章，您可以直接参加FLARE23正赛，参赛编号为获奖证书编号或LNCS论文链接。

Remark 1：若已在MICCAI 2021-22其他基于docker提交的竞赛中获得前30%的排名，您也可以直接参加FLARE23正赛，只需将证明材料发送到MICCAI.FLARE@aliyun.com，我们会反馈参赛编号给您。

2）参加FLARE23正赛

在竞赛网站上注册账号并点击参赛按钮；
填写在线申请表并将签过名的规则同意书发送到MICCAI.FLARE@aliyun.com；
主办方会在2~4个工作日内审核您的邮件并发送数据链接。

奖品

现金（TBA，正在与赞助商沟通）
获奖证书
受邀在MICCAI期间做Oral presentation，展示自己的获奖算法
经同行评审后在比赛论文集中发表自己的参赛文章（LNCS，EI Index）
受邀一起撰写比赛总结文章，该文章将会投稿到顶刊

获胜秘诀

FLARE竞赛同时关注算法的精度和性能，根据FLARE21-22竞赛的结果，只实现精度最优或性能最优并不能获得靠前的名次。通过观察FLARE21-22获胜方案，总结出如下可能有助于获得更好名次的方法：

1）分割精度提升方面

预处理：灰度标准化、重采样等
大量的数据增广
先粗分割再精分割（两阶段/级联）设计
后处理：连通域分析去掉器官的孤立分割
利用好无标注数据：伪标签学习

2）分割性能提升方面

基于whole-volume输入
轻量网络模块：带瓶颈层的残差、各向异性卷积、金字塔池化等
通过ONNX Runtime、TensorRT等加速推理

FLARE21-22所有获奖队伍的代码都已经公开，它们的方案有很高的借鉴价值

Awards - Grand ChallengeMICCAI 2022 Fast and Low-resource semi-supervised Abdominal oRgan sEgmentation (FLARE) Challengehttps://flare22.grand-challenge.org/awards/Awards - Grand ChallengeFast and Low GPU memory Abdominal oRgan sEgmentation Challengehttps://flare.grand-challenge.org/Awards/对FLARE竞赛感兴趣但是不熟悉图像分割和Docker，别担心，我们提供了教程帮您快速上手！

CodaLab - Competitionhttps://codalab.lisn.upsaclay.fr/competitions/12239#learn_the_details-howtowin