kaggle新赛：SenNet 3D肾脏分割大赛（3D语义分割）

本文主要是介绍kaggle新赛：SenNet 3D肾脏分割大赛（3D语义分割），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

赛题名称：SenNet + HOA - Hacking the Human Vasculature in 3D

赛题链接：https://www.kaggle.com/competitions/blood-vessel-segmentation

目前，人类专家标注员需要手动追踪血管结构，这是一个缓慢的过程。即使有专家标注员，每个新数据集也需要6个月以上的时间才能完成。由于人体解剖学的变化以及HiP-CT技术不断改进和变化导致的图像质量变化，使用这种手动数据的机器学习方法无法很好地推广到新的数据集上。

竞赛由Common Fund的细胞衰老网络（SenNet）计划主办，旨在全面识别和描述身体各个部位、不同健康状况和生命周期中衰老细胞的差异。SenNet提供公开可访问的衰老细胞图谱，并开发基于先前单细胞分析进展的创新工具和技术。

这个比赛的目标是分割血管。参赛者将创建一个模型，该模型在人类肾脏的3D分层相位对比断层扫描（HiP-CT）数据上进行训练，以帮助完成整个身体的血管结构图像。

参赛者的工作将有助于研究人员更好地了解人体组织中血管的大小、形状、分支角度和模式。

竞赛使用表面骰子度量来评估提交的内容，其公差为0.0。

提交文件

对于测试集中的每个id，参赛者必须预测 rle (一个运行长度编码的实例分割掩码)，其中id 表示具有路径test/{dataset}/images/{slice}.tif的图像的{dataset}_{slice}。将空掩码的RLE表示为1 0。

参赛者的投稿应包含一个标题，并具有以下格式:

id,rle
kidney_5_0,1 1 100 10
kidney_5_1,1 1 100 10
kidney_6_0,1 0
kidney_6_1,1 0
...

这个竞赛数据集包含了几张肾脏的高分辨率3D图像以及它们的血管结构的3D分割掩码。参赛者的任务是为测试集中的肾脏数据集创建分割掩码。

这些肾脏图像是通过分层相位对比断层扫描（HiP-CT）成像获得的。HiP-CT是一种从体外器官获取高分辨率（1.4微米至50微米分辨率）3D数据的成像技术。

文件和字段信息

train/{dataset}/images - 包含来自几个肾脏数据集的TIFF扫描。
train/{dataset}/labels - 包含用于图像的血液血管分割掩码的TIFF格式。
{dataset}文件夹包括以下内容：
- kidney_1_dense - 右肾整体，分辨率为50微米。
- kidney_1_voi - kidney_1的高分辨率子集，分辨率为5.2微米。
- kidney_2 - 来自另一个供体的肾脏整体，分辨率为50微米。
- kidney_3_dense - 使用BM05的肾脏的一部分（500个切片），分辨率为50.16微米。
- kidney_3_sparse - kidney_3的剩余分割掩码。
test/{dataset}/images - 包含测试集的TIFF扫描。
train_rles.csv - 训练集中图像的运行长度编码分割掩码。
- id - 每个切片的唯一标识符，形式为{dataset}_{slice}。
- rle - 该切片的运行长度编码掩码。
sample_submission.csv - 一个格式正确的示例提交文件。