[论文解读] SegRap2023: A Benchmark of Organs-at-Risk and Gross Tumor Volume Segmentation for Radiotherapy Planning of Nasopharyngeal Carcinoma

Xiangde Luo, Jia Fu+40 more|arXiv (Cornell University)|Dec 15, 2023

Head and Neck Cancer Studies被引用 10

一句话总结

SegRap2023 提供一个大规模公开基准和 MICCAI 2023 挑战，针对 NPC 的 45 个 OARs 和 2 个 GTVs 在配对的 ncCT/ceCT 扫描中的自动分割，分析在相当规模的数据集上的参与方法。

ABSTRACT

Radiation therapy is a primary and effective NasoPharyngeal Carcinoma (NPC) treatment strategy. The precise delineation of Gross Tumor Volumes (GTVs) and Organs-At-Risk (OARs) is crucial in radiation treatment, directly impacting patient prognosis. Previously, the delineation of GTVs and OARs was performed by experienced radiation oncologists. Recently, deep learning has achieved promising results in many medical image segmentation tasks. However, for NPC OARs and GTVs segmentation, few public datasets are available for model development and evaluation. To alleviate this problem, the SegRap2023 challenge was organized in conjunction with MICCAI2023 and presented a large-scale benchmark for OAR and GTV segmentation with 400 Computed Tomography (CT) scans from 200 NPC patients, each with a pair of pre-aligned non-contrast and contrast-enhanced CT scans. The challenge's goal was to segment 45 OARs and 2 GTVs from the paired CT scans. In this paper, we detail the challenge and analyze the solutions of all participants. The average Dice similarity coefficient scores for all submissions ranged from 76.68\% to 86.70\%, and 70.42\% to 73.44\% for OARs and GTVs, respectively. We conclude that the segmentation of large-size OARs is well-addressed, and more efforts are needed for GTVs and small-size or thin-structure OARs. The benchmark will remain publicly available here: https://segrap2023.grand-challenge.org

研究动机与目标

• 提供一个大规模、公开可用的 OAR 与 GTV 分割数据集，适用于鼻咽癌（NPC）。
• 在两个临床相关任务（OAR 与 GTV 辨分/界定）上评估最前沿的分割方法。
• 评估多模态输入对分割性能的影响（ncCT vs ceCT）。
• 提供一个公平、以排行榜为驱动的比较框架，以推动自动 NPC 辨定工具的发展。
• 揭示当前方法的优势与不足，以指导未来研究和临床部署。

提出的方法

• 汇编 200 例 NPC 患者，包含预对齐的 ncCT 与 ceCT 扫描，以及 45 个 OARs 和 2 个 GTV 的真实掩模。
• 将 SegRap2023 组织为两个任务：Task01 对 45 个 OARs 的分割，Task02 对 2 个 GTVs 的分割，评估指标为 DSC 和 NSD。
• 在 grand-challenge 平台提供训练/验证/测试划分以及基于 Docker 的提交工作流。
• 收集并分析来自多支队伍的提交，生成排名和性能汇总。
• 分别采用 Dice Similarity Coefficient (DSC) 和 Normalized Surface Dice (NSD) 作为区域重叠和表面距离度量。

实验结果

研究问题

• RQ1 在使用 ncCT 和 ceCT 数据的大规模 NPC OAR 与 GTV 辨界问题上，当前分割方法的性能如何？
• RQ2 在 DSC 和 NSD 方面，方法在 45 个 OARs 和 2 个 GTVs 间的比较如何？
• RQ3 使用增强对比 CT (ceCT) 相对于非增强 CT (ncCT) 对分割精度的影响如何？
• RQ4 当前方法在哪些方面存在困难（如大尺寸 OARs 与小型/薄结构、GTVs）以及临床转化尚存的差距？
• RQ5 一个具有全面注释的公开基准能否推动在 NPC 放疗计划中的公平、可重复改进？

主要发现

• 在所有提交中，OAR 的平均 DSC 介于 76.68% 到 86.70% 之间。
• 在所有提交中，GTV 的平均 DSC 介于 70.42% 到 73.44% 之间。
• 当前方法对大尺寸 OAR 的分割已得到较好解决，而 GTVs 及小型/薄结构的 OAR 仍然具有挑战性。
• NSD 结果在各队之间显示出显著差异，反映了不同器官表面轮廓划分质量的差异。
• SegRap2023 数据集（ncCT 和 ceCT）及挑战设置支持公平的多队比较，并突出未来工作的临床相关差距。