[论文解读] Overview of the HECKTOR Challenge at MICCAI 2021: Automatic Head and Neck Tumor Segmentation and Outcome Prediction in PET/CT Images

Vincent Andrearczyk, Valentin Oreiller+9 more|arXiv (Cornell University)|Jan 11, 2022

Radiomics and Machine Learning in Medical Imaging被引用 9

一句话总结

本文介绍了在2021年MICCAI会议上举办的HECKTOR挑战赛，该挑战赛利用深度学习技术评估了在FDG-PET/CT图像中对头颈部肿瘤进行自动分割以及无进展生存期预测的性能。最佳模型在肿瘤分割任务中取得了0.7591的Dice分数，在无真实肿瘤轮廓（GTV）和有真实肿瘤轮廓条件下的生存预测任务中，C-index值分别为0.7196和0.6978，表明完全自动化的方法可在无需人工GTV勾画的情况下实现高性能。

ABSTRACT

This paper presents an overview of the second edition of the HEad and neCK TumOR (HECKTOR) challenge, organized as a satellite event of the 24th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 2021. The challenge is composed of three tasks related to the automatic analysis of PET/CT images for patients with Head and Neck cancer (H&N), focusing on the oropharynx region. Task 1 is the automatic segmentation of H&N primary Gross Tumor Volume (GTVt) in FDG-PET/CT images. Task 2 is the automatic prediction of Progression Free Survival (PFS) from the same FDG-PET/CT. Finally, Task 3 is the same as Task 2 with ground truth GTVt annotations provided to the participants. The data were collected from six centers for a total of 325 images, split into 224 training and 101 testing cases. The interest in the challenge was highlighted by the important participation with 103 registered teams and 448 result submissions. The best methods obtained a Dice Similarity Coefficient (DSC) of 0.7591 in the first task, and a Concordance index (C-index) of 0.7196 and 0.6978 in Tasks 2 and 3, respectively. In all tasks, simplicity of the approach was found to be key to ensure generalization performance. The comparison of the PFS prediction performance in Tasks 2 and 3 suggests that providing the GTVt contour was not crucial to achieve best results, which indicates that fully automatic methods can be used. This potentially obviates the need for GTVt contouring, opening avenues for reproducible and large scale radiomics studies including thousands potential subjects.

研究动机与目标

• 开发并评估在FDG-PET/CT图像中对原发性头颈部肿瘤进行自动分割的方法。
• 在不依赖人工肿瘤勾画的前提下，从PET/CT图像中预测无进展生存期（PFS）。
• 评估提供真实肿瘤轮廓是否能提升PFS预测性能。
• 通过减少对耗时的人工分割的依赖，实现大规模、可重复的放射组学研究。
• 评估深度学习模型在来自多个中心的多样化成像协议中的泛化能力。

提出的方法

• 挑战赛使用了来自六个机构的325例FDG-PET/CT扫描的多中心数据集，划分为224例训练病例和101例测试病例。
• 参赛者应用深度学习模型，主要采用3D U-Net架构，执行肿瘤分割（任务1）和生存预测（任务2和任务3）。
• 在生存预测任务中，模型基于从PET和CT图像中提取的放射组学特征进行训练，训练时是否使用预先存在的GTV分割信息。
• 图像预处理包括标准化的重建协议，包括采用时间飞行技术与分辨率建模的OSEM迭代重建。
• 评估指标包括用于分割任务的Dice相似系数（DSC）和用于生存预测的一致性指数（C-index）。
• 挑战赛通过AIcrowd平台提供标准化的评估环境，以确保提交结果的可重复性和公平性。

实验结果

研究问题

• RQ1 深度学习模型能否在多中心FDG-PET/CT扫描中实现高精度的头颈部肿瘤自动分割？
• RQ2 提供真实肿瘤轮廓是否能显著提升无进展生存期预测的准确性？
• RQ3 完全自动化的方法在基于放射组学的预后预测中，能在多大程度上替代人工GTV勾画？
• RQ4 深度学习模型在多中心医学影像中，面对多样化成像协议和扫描设备时，其泛化能力如何？
• RQ5 自动化分割与预后预测流程能否支持大规模、可重复的放射组学研究？

主要发现

• 最佳模型在肿瘤分割任务中取得了0.7591的Dice相似系数（DSC），表明与人工轮廓具有高度一致性。
• 在无GTV标注条件下的无进展生存期预测任务（任务2）中，最佳模型的C-index达到0.7196，显示出优异的预测性能。
• 在有GTV标注条件下的任务3中，C-index为0.6978，表明GTV标注并未显著提升预测性能。
• 结果表明，完全自动化的流程可在无需人工GTV勾画的情况下实现高性能，从而降低对耗时人工轮廓勾画的依赖。
• 模型架构的简洁性被发现是实现在多样化成像中心和协议中良好泛化能力的关键因素。
• 该挑战赛证明了利用自动化分割流程实现大规模、可重复放射组学研究的可行性。