[论文解读] The ASNR-MICCAI Brain Tumor Segmentation (BraTS) Challenge 2023: Intracranial Meningioma

Dominic LaBella, Maruf Adewole+58 more|arXiv (Cornell University)|May 12, 2023

Meningioma and schwannoma management被引用 22

一句话总结

本论文描述 BraTS 2023 挑战，针对多参数 MRI 的自动颅内脑膜瘤分割，概述亚区域、数据收集、预处理、标注工作流和评估指标，以基准化最先进模型。

ABSTRACT

Meningiomas are the most common primary intracranial tumor in adults and can be associated with significant morbidity and mortality. Radiologists, neurosurgeons, neuro-oncologists, and radiation oncologists rely on multiparametric MRI (mpMRI) for diagnosis, treatment planning, and longitudinal treatment monitoring; yet automated, objective, and quantitative tools for non-invasive assessment of meningiomas on mpMRI are lacking. The BraTS meningioma 2023 challenge will provide a community standard and benchmark for state-of-the-art automated intracranial meningioma segmentation models based on the largest expert annotated multilabel meningioma mpMRI dataset to date. Challenge competitors will develop automated segmentation models to predict three distinct meningioma sub-regions on MRI including enhancing tumor, non-enhancing tumor core, and surrounding nonenhancing T2/FLAIR hyperintensity. Models will be evaluated on separate validation and held-out test datasets using standardized metrics utilized across the BraTS 2023 series of challenges including the Dice similarity coefficient and Hausdorff distance. The models developed during the course of this challenge will aid in incorporation of automated meningioma MRI segmentation into clinical practice, which will ultimately improve care of patients with meningioma.

研究动机与目标

• 为多参数 MRI 上的自动颅内脑膜瘤分割提供社区标准和基准。
• 创建一个大型、专家标注的多站点数据集，包含清晰的肿瘤子区域，以便于稳健的模型训练。
• 促进可推广的分割模型，以辅助外科手术计划、放疗和纵向监测。

提出的方法

• 定义三个互不重叠的分割标签：增强肿瘤、非增强的肿瘤核心，以及水肿（SNFH）。
• 组装一个大型多站点的 mpMRI 数据集，包含术前、治疗前病例；包括 T1Gd、T1、T2 和 FLAIR 序列。
• 应用标准化预处理（DICOM 转换为 NIfTI、与 SRI24 空间共注册、1 mm 等体积重采样、头骨剥离）。
• 使用基于 nnU-Net 的预分割模型进行自动多腔室预分割，然后由标注者进行人工矫正并经专家批准人复核。
• 提供标注指南并记录常见的自动分割错误以提高一致性。

实验结果

研究问题

• RQ1 在多个中心的 mpMRI 上进行自动多腔室脑膜瘤分割的可行性与准确性如何？
• RQ2 一个具有专家标注的大型多样化数据集能否产生用于增强肿瘤、非增强核心和水肿区域的可推广模型？
• RQ3 如何通过跨站点的迭代再训练与人机协同纠正来降低预分割偏差？
• RQ4 自动脑膜瘤分割在手术计划与放疗中的潜在转化影响是什么？
• RQ5 将 BraTS 脑膜瘤挑战扩展到更广泛临床场景的局限性与未来方向是什么？

主要发现

• 挑战定义三个互不重叠的标签：增强肿瘤、非增强的肿瘤核心，以及水肿（SNFH）。
• 数据来自16个站点，总体大约1650例，涵盖带多序列的术前 mpMRI。
• 预处理包括对齐到通用配准图，头骨剥离，以及通过 FeTS 工具进行1 mm等体积重采样。
• 一个自动化的 nnU-Net 预分割模型通过人工校正进行迭代再训练，以提高泛化性。
• 手动矫正工作流使用 ITK-SNAP，并由批准人进行复核，以减少观察者之间的变异性并保证标签质量。