[論文レビュー] The 2024 Brain Tumor Segmentation (BraTS) Challenge: Glioma Segmentation on Post-treatment MRI

Maria Correia de Verdier, Rachit Saluja+83 more|arXiv (Cornell University)|May 28, 2024

Brain Tumor Detection and Classification被引用数 11

ひとこと要約

この論文は、2024 BraTS の術後治療後の膠腫セグメンテーションチャレンジを提示し、新しい再切除腔クラスと標準化された病変ごとの評価指標を備えた大規模な多施設の術後 MRI データセットを導入し、自動セグメンテーションモデルをベンチマークします。

ABSTRACT

Gliomas are the most common malignant primary brain tumors in adults and one of the deadliest types of cancer. There are many challenges in treatment and monitoring due to the genetic diversity and high intrinsic heterogeneity in appearance, shape, histology, and treatment response. Treatments include surgery, radiation, and systemic therapies, with magnetic resonance imaging (MRI) playing a key role in treatment planning and post-treatment longitudinal assessment. The 2024 Brain Tumor Segmentation (BraTS) challenge on post-treatment glioma MRI will provide a community standard and benchmark for state-of-the-art automated segmentation models based on the largest expert-annotated post-treatment glioma MRI dataset. Challenge competitors will develop automated segmentation models to predict four distinct tumor sub-regions consisting of enhancing tissue (ET), surrounding non-enhancing T2/fluid-attenuated inversion recovery (FLAIR) hyperintensity (SNFH), non-enhancing tumor core (NETC), and resection cavity (RC). Models will be evaluated on separate validation and test datasets using standardized performance metrics utilized across the BraTS 2024 cluster of challenges, including lesion-wise Dice Similarity Coefficient and Hausdorff Distance. Models developed during this challenge will advance the field of automated MRI segmentation and contribute to their integration into clinical practice, ultimately enhancing patient care.

研究の動機と目的

• 公開ベンチマークと術後拡散性膠腫の自動分割データセットを確立する。
• 臨床治療計画支援のための新しい組織クラス—再切除腔（RC）—を導入する。
• 最先端のセグメンテーションモデルを評価するための専門家が注釈した術後 MRI データを提供する。
• MRI からの客観的な残存腫瘍量の評価を可能にし、臨床統合を促進する。

提案手法

• 7つのセンターからの回顧的な多施設データ収集、総計約2,200例。
• 標準化前処理：DICOMをNIfTIへ変換、HD-BETによる脳抽出、MNIアトラスへのアフィン登録。
• nnU-Net系統と関連アーキテクチャの5つのプレセグメンテーション手法を用い、STAPLE融合で最終セグメンテーションを生成。
• 定義済みプロトコルを用いた放射線科医主導の注釈付け、反復的な洗練とテストセットでの二名 annotator の承認。
• 微妙な造影を補うための subtraction 画像（T1-Gd - T1）を作成して注釈を支援。
• トレーニング/バリデーション/テスト分割（70/10/20）での評価（病変ごとのDSCとHD95）を実施。腫瘍サブ領域ET、NETC、SNFH、RC、腫瘍核、全腫瘍を分析。

Figure 1 : Map showing institutions from USA and Germany contributing data to the 2024 Brain Tumor Segmentation (BraTS) post-treatment glioma challenge and their relative sample size.

実験結果

リサーチクエスチョン

• RQ1 自動分割は、術後膠腫のサブ領域—強化組織（ET）、非強化腫瘍核（NETC）、周囲の非強化FLAIR過敏性高信号（SNFH）、再切除腔（RC）—を正確に区別できるか。
• RQ2 RCクラスの含有は術後MRIの分割性能と臨床上の有用性にどのように影響するか。
• RQ3 病変ごとのDSCとHD95で評価した場合、マルチ施設の術後データにおける自動セグメンテーションの信頼性はどの程度か。
• RQ4 外科手術と放射線治療後の残存腫瘍体積評価と治療計画を自動セグメンテーションがどの程度支援できるか。
• RQ5 自動術後膠腫セグメンテーションの一般的な失敗モードは何で、注釈プロトコルはそれをどう緩和できるか。

主な発見

• データセットは術後のびまん性膠腫に対する専門家レベルのボクセル単位セグメンテーションを提供し、新しいRCクラスを含む術後腔を含む。
• 評価は病変ごとのDSCとHD95を用いて、全体の画像指標よりも個々の病変の性能を強調する。
• チャレンジは5セグメントのプレセグメンテーションアンサンブル（nnU-Net系、SegResNet、独自モデル）をSTAPLEで融合し最終ラベルを生成。
• 標準化された注釈プロトコルと放射線科医承認ワークフローを導入し、品質の高いグラウンドトゥルースを確保しテストセットの評価者間信頼性を評価。
• 本研究は術後膠腫の最先端分割法をベンチマークし、フォローアップと計画のための客観的な残存腫瘍体積評価を支援することを目的とする。

Figure 2 : Data Processing and Annotation Workflow for creating the 2024 BraTS post-treatment glioma challenge dataset.