[论文解读] 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 11

一句话总结

这篇论文介绍了 2024 BraTS 术后胶质瘤分割挑战，提出一个包含新切除腔类别的大型多机构术后 MRI 数据集，并采用标准化的病灶级评估指标来基准自动分割模型。

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.

研究动机与目标

• 建立一个公开的基准和数据集，用于术后弥漫性胶质瘤的自动分割。
• 引入一个新的组织类别——切除腔（RC），以帮助临床治疗规划。
• 提供专家标注的术后 MRI 数据，用于评估前沿分割模型。
• 通过实现 MRI 的客观残留肿瘤体积评估，促进临床整合。

提出的方法

• 来自七个中心的回顾性多机构数据收集，总计约 2,200 例。
• 标准化预处理：DICOM 转换为 NIfTI，大脑提取使用 HD-BET，仿射配准到 MNI 图谱。
• 使用 nnU-Net 变体及相关架构的五种预分割方法，结合 STAPLE 融合生成最终分割。
• 使用预定义协议在放射科医生指导下进行标注，进行迭代 refinement，测试集需双标注者批准。
• 创建减影图像（T1-Gd 减 T1）以帮助标注微弱强化区域。
• 在训练/验证/测试分割上（70/10/20）使用病灶级 Dice 相似系数 DSC 和病灶级 HD95；分析包括肿瘤亚区域 ET、NETC、SNFH、RC、肿瘤核心和全肿瘤。

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.

实验结果

研究问题

• RQ1 自动分割是否能准确界定术后胶质瘤子区域：强化组织（ET）、非强化肿瘤核心（NETC）、围绕的非强化 FLAIR 高信号区（SNFH）以及切除腔（RC）？
• RQ2 包含 RC 类别对分割性能和术后 MRI 的临床应用有何影响？
• RQ3 在多机构术后数据中，使用病灶级 DSC 与 HD95 评估时，自动分割的可靠性如何？
• RQ4 自动分割在手术和放疗后支持残留肿瘤体积评估与治疗规划的程度如何？
• RQ5 自动术后胶质瘤分割的常见失败模式有哪些，标注协议如何缓解？

主要发现

• 该数据集提供术后弥漫性胶质瘤的专家体素级分割，包括用于术后腔的新 RC 类别。
• 评估将使用病灶级 DSC 和 HD95，强调对单个病灶的表现，而非整体图像指标。
• 本挑战采用五段式预分割集合（nnU-Net 变体、SegResNet 和专有模型）与 STAPLE 融合以产生最终标签。
• 实施了标准化标注协议和放射科医生批准工作流，以确保高质量真值并评估测试集的评估者间一致性。
• 该工作旨在基准化前沿分割方法用于术后胶质瘤，并支持客观的残留肿瘤体积评估以用于随访和规划。

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