[论文解读] The RSNA-ASNR-MICCAI BraTS 2021 Benchmark on Brain Tumor Segmentation and Radiogenomic Classification

Ujjwal Baid, Satyam Ghodasara+101 more|arXiv (Cornell University)|Jul 5, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 24被引用 88

一句话总结

BraTS 2021 基准测试基于术前 mpMRI，在 2,040 名患者中对胶质瘤亚区域的分割和 MGMT 启动子甲基化状态进行评估，涵盖任务1分割和任务2放射基因组分类。

ABSTRACT

The BraTS 2021 challenge celebrates its 10th anniversary and is jointly organized by the Radiological Society of North America (RSNA), the American Society of Neuroradiology (ASNR), and the Medical Image Computing and Computer Assisted Interventions (MICCAI) society. Since its inception, BraTS has been focusing on being a common benchmarking venue for brain glioma segmentation algorithms, with well-curated multi-institutional multi-parametric magnetic resonance imaging (mpMRI) data. Gliomas are the most common primary malignancies of the central nervous system, with varying degrees of aggressiveness and prognosis. The RSNA-ASNR-MICCAI BraTS 2021 challenge targets the evaluation of computational algorithms assessing the same tumor compartmentalization, as well as the underlying tumor's molecular characterization, in pre-operative baseline mpMRI data from 2,040 patients. Specifically, the two tasks that BraTS 2021 focuses on are: a) the segmentation of the histologically distinct brain tumor sub-regions, and b) the classification of the tumor's O[6]-methylguanine-DNA methyltransferase (MGMT) promoter methylation status. The performance evaluation of all participating algorithms in BraTS 2021 will be conducted through the Sage Bionetworks Synapse platform (Task 1) and Kaggle (Task 2), concluding in distributing to the top ranked participants monetary awards of $60,000 collectively.

研究动机与目标

• 提供一个标准化的、多机构的 mpMRI 数据集，用于脑胶质瘤分割和 MGMT 启动子甲基化预测。
• 建立稳健的标注和预处理流程，以实现公平的跨方法比较。
• 在术前 MRI 上评估最先进的分割方法和放射基因组分类方法。

提出的方法

• 多机构 mpMRI 数据（T1、T1Gd、T2、T2-FLAIR），采用标准化预处理（DICOM→NIfTI、与 SRI24 共同配准、1 mm3 重采样、颅骨剥除）。
• 通过 nnU-Net、DeepScan、DeepMedic 的 STAPLE 融合生成的肿瘤亚区真实标注，随后由专家神经放射科医生进行 refinement。
• Task 1 评估使用 Dice 相似性、Hausdorff 距离（95%）、灵敏度、特异性，针对 ET、TC、WT 区域。
• Task 2 MGMT 启动子甲基化状态预测以 AUC、准确率、F1 分数和 Matthew’s Correlation Coefficient 进行评估。
• MGMT 标签以二元真实标签提供；预处理和转换保持患者空间的一致性；数据处理限制外部数据使用以实现公平排名。

实验结果

研究问题

• RQ1 自动化方法是否能在多机构的术前 mpMRI 中准确分割胶质瘤亚区域（ET、TC、WT）？
• RQ2 能否利用放射基因组技术从术前 mpMRI 预测 MGMT 启动子甲基化状态？
• RQ3 分割和放射基因组分类方法在分布外测试队列上的泛化能力如何？
• RQ4 哪些预处理、标注和评估协议有助于在竞争方法之间实现公平比较？

主要发现

• BraTS 2021 数据集包含来自多家机构的 2,000 例胶质瘤病例和 8,000 份 mpMRI 扫描。
• 定义了两项任务：肿瘤亚区分割（ET、TC、WT）和 MGMT 启动子甲基化分类。
• 真实标注通过 BraTS 顶级方法（nnU-Net、DeepScan、DeepMedic）的 STAPLE 融合生成，并由经验丰富的神经放射科医生进行修订。
• Task 1 的常用评估指标包括 Dice、95th 百分位 Hausdorff 距离、灵敏度和特异性。
• Task 2 评估使用 AUC、准确率、F1-score 以及 Matthews Correlation Coefficient 来评估 MGMT 状态预测。
• 公开可用的预处理管道（CaPTk、FeTS）支持可重复的数据处理与标注。
• 参与者的方法在分布外数据上进行测试，以评估泛化能力。