今天将分享胸腔淋巴结清扫的手术质量评估挑战赛实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。

一、Tiger-SQ-AI2026介绍

食管癌手术后的生存结果差异很大，淋巴结清扫的范围和质量是准确肿瘤分期和长期患者预后的关键决定因素。然而，淋巴结清扫的根治性操作由于邻近关键解剖结构，存在重大风险，可能导致严重并发症。在临床实践中，淋巴结清扫的执行和记录存在显著差异，限制了中心间的可比性，阻碍了客观质量评估。目前，手术质量评估（SQA）评分依赖于人类专家对捕获视频的耗时手动审查。为了解决这一差距，阿姆斯特丹大学医学中心发起了多中心TIGER研究，旨在建立基于术中视频分析的手术质量评估（SQA）框架。人工智能（AI）和机器学习为自动化这一评估过程提供了有希望的机会。

二、Tiger-SQ-AI2026任务

任务1：简化语义分割。对16个合并的解剖和非解剖结构进行全场景语义分割。

任务2：完整语义分割。对31个解剖和非解剖结构进行全场景语义分割。

任务3：淋巴结可见性。确定给定帧中14个淋巴结中哪些是可见的。对于评估目的，为每个淋巴结生成一个带有预测概率的CSV文件。

三、Tiger-SQ-AI2026数据集

TIGER SQ-AI数据集包含来自腹腔镜和机器人辅助微创食管切除术（MIE）视频的注释帧，由五个国家的七个外科中心贡献。数据提供了三个子挑战：全场景分割（31类）、合并分割（16类）和淋巴结可见性分类。总病例数（视频）：50，总注释帧数：700，外科中心：7，国家：5，模态：机器人和腹腔镜视频流（MPEG-4），视图：内镜视频馈送，食管切除术的胸腔部分，划分：40个训练病例/10个测试病例（80/20），视频类型：50%腹腔镜（25个视频），50%机器人（25个视频）- 在训练和测试中保持。一个中心被排除在训练之外，以评估泛化能力。一个病例包含来自单个胸腔食管切除术的14帧——每个淋巴结一帧。每个帧都使用31类（和合并的16类）分割掩码完全注释。由于解剖位置相近，同一帧中可能出现多个淋巴结站。数据集包含28个解剖结构和3个非解剖结构，这些结构被合并为16个不同的组用于任务1。完整的类别信息包括：

数据下载：

https://www.synapse.org/Synapse:syn74209386/files/

四、技术路线

任务一、16类全场景语义分割

1、图像缩放到固定大小1024x1024，再采用均值为0，方差为1的方式进行归一化处理。然后将数据分成训练集和验证集。

2、搭建VNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是6，epoch是500，损失函数采用ce和dice函数，评价函数采用dice函数。

3、训练结果和验证结果

4、验证集预测结果

左图是原图，中间是金标准结果，右图是预测分割结果。

任务二、31类全场景语义分割

1、图像缩放到固定大小1024x1024，再采用均值为0，方差为1的方式进行归一化处理。然后将数据分成训练集和验证集。

2、搭建VNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是6，epoch是500，损失函数采用ce和dice函数，评价函数采用dice函数。

3、训练结果和验证结果

4、验证集预测结果

左图是原图，中间是金标准结果，右图是预测分割结果。

点击阅读原文可以访问参考项目，如果大家觉得这个项目还不错，希望大家给个Star并Fork，可以让更多的人学习。如果有任何问题，随时给我留言我会及时回复的。