HNTSMRG2024——MR 引导应用的头颈肿瘤分割

今天将分享MR 引导应用的头颈肿瘤分割完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。

一、HNTSMRG2024介绍

放射治疗 (RT) 是多种恶性肿瘤治疗的基石。放疗作为治疗方式的主要受益者是头颈癌 (HNC)。近年来，人们对 MRI 引导的 RT 计划越来越感兴趣。与更传统的基于 CT 的 RT 计划相反，MRI 引导的方法可提供卓越的软组织对比度和分辨率，允许通过特殊的多参数序列（例如扩散加权成像 [DWI]）进行功能成像，并允许通过内部进行日常自适应 RT -使用 MRI-Linac 设备进行治疗成像（PMID：28256898）。随后，通过 MRI 引导的适应性 RT 方法改进治疗计划将最大限度地破坏肿瘤，同时最大限度地减少副作用。鉴于 MRI 引导的自适应 RT 计划的巨大潜力，预计这些技术将改变 HNC 的临床实践范式 (PMID: 31632914)。MRI 引导的 HNC RT 计划的大量数据使得医生手动肿瘤分割（当前的临床标准）由于时间限制而常常不切实际 (PMID: 33763369)。更糟糕的是，HNC 肿瘤是临床医生分割最具挑战性的结构之一 (PMID: 27679540)。近年来，利用 RT 数据改善患者治疗的人工智能 (AI) 方法一直是研究界关注的一个特殊领域。特别是深度学习的使用在 HNC 肿瘤自动分割方面取得了重大进展（PMID：36725406）。这些创新很大程度上是由 MICCAI 公共数据挑战推动的，例如 HECKTOR 挑战 (PMID: 35016077) 和 SegRap 挑战 (doi: https://doi.org/10.48550/arXiv.2312.09576)。然而，迄今为止，尚不存在可供公开分发的大型公开可用的 AI 就绪自适应 RT HNC 数据集。按理说，社区驱动的人工智能创新将成为开发 MRI 引导放疗临床转化技术的宝贵财富。

二、HNTSMRG2024任务

任务 1：在RT前 MRI 上肿瘤分割。

任务 2：在RT中 MRI 上肿瘤分割。

三、HNTSMRG2024数据集

经组织学证实的 HNC 患者在德克萨斯大学 MD 安德森癌症中心接受了放疗。主要是口咽癌 (OPC) 或原发灶不明的癌症。德克萨斯大学 MD 安德森癌症中心拍摄的头颈部 T2 加权 (T2-w) 解剖序列。所有患者均使用热塑面罩固定。采集是在一致的成像协议下进行的。原始图像是从中央机构成像存储库（Evercore）自动提取的。图像包括 RT 前和 RT 中期扫描；示例如下所示。

原发性肉眼肿瘤体积（缩写为 GTVp） - 每个患者最多 1 个（可以为 0），转移性淋巴结（缩写为 GTVn） - 每个患者数量可变（可以为 0）。多名医师专家观察员（n = 3 至 4）根据提供的 MRI 图像独立分割了所有病例（RT 前和 RT 中期）的 GTVp 和 GTVn 结构。根据我们小组的最新文献（PMID：36761036），建议至少 3 个注释器在通过这些结构中的同时真实性和性能水平估计算法（STAPLE）组合时产生可接受的分割，因此我们从 3 个注释器中收集了独立的分割 每个结构的注释器。所有注释者都是在头颈癌分割方面拥有至少 2 年经验的医生。分割质量的最终验证由具有 10 年以上经验的经验丰富的放射肿瘤学教师进行。通过 STAPLE 算法组合分割，以产生每种情况的最终真实标注分割；说明性示例如下所示。

最终的标签掩码具有 3 个可能值之一：背景 = 0、GTVp = 1、GTVn = 2（在多个淋巴结的情况下，它们连接成一个标签）。下面显示了一个可视化示例。

任务 1（Pre-RT 分割）具体细节：训练和测试用例均代表一个治疗前 T2 加权 MRI 体积。训练案例将包含带注释的真实肿瘤的分割。测试用例将不包含任何注释。目标是成功预测 RT 前图像上的肿瘤分割。

任务 2（Mid-RT 分割）具体细节：本质上，患者将与任务 1 相同，但需要进行额外的中期 RT 扫描。训练和测试用例均代表一个治疗前 T2 加权 MRI 体积和一个治疗中期 T2 加权 MRI 体积。训练案例将包含带注释真实肿瘤的分割。测试用例将仅包含预 RT 分割的注释。目标是成功预测中期 RT 图像上的肿瘤分割。可以自由使用任何图像组合（如果需要，还可以使用预 RT 分割）来开发自动分割算法。

这两项任务都将使用聚合骰子相似系数 (DSCagg) 以相同的通用方式进行评估。DSCagg 最初由 Andrearczyk 等人使用。用于 2022 年版 HECKTOR 挑战赛的分割任务（doi：https://doi.org/10.1007/978-3-031-27420-6_1）。具体来说，该度量被定义为 2iAi BiiAi +Bi，其中 Ai 和 Bi 是图像 i 的基本事实和预测分割，其中 i 跨越整个测试集。从概念上讲，2022 年版 HECKTOR 挑战赛与我们提出的挑战赛具有相似的分割输出（头颈癌患者的 GTVp 和 GTVn），因此我们认为这是一个合适的指标。由于 GTVp 和 GTVn 的存在在所有情况下都不会一致，因此提出的 DSCagg 度量非常适合此任务。与传统的体积 DSC 不同，传统的体积 DSC 可能会受到单个假阴性结果（DSC 为 0）的不成比例的影响，该指标旨在更有效地适应此类情况。

对于 GTVp 和 GTVn，将累积 GTV 之间的交集和并集以及所有图像中各自的预测体积。请注意，图像中的交集和并集对于 GTVp 和 GTVn 都可以为零，因为某些情况可能不包含 GTVn 或 GTVp。最终，将 GTVp 和 GTVn 的聚合交集除以聚合并集，并计算这两个聚合指数的平均值。也就是说，测试集上的GTVp和GTVn将分别计算DSCagg，并将两者的平均值用于最终排名。做出这一选择是为了对两种 GTV 类型给予同等重视，因为原发性肿瘤和转移性淋巴结都是 RT 的目标结构，并且应给予全额治疗剂量。

GTVp 和 GTVn 的指标将单独计算，两者的平均值将用于最终的挑战排名（类似于 HECKTOR 2022）。将分别计算任务 1（RT 前分段）和任务 2（RT 中分段）的指标。

下载链接：https://zenodo.org/records/11199559

四、技术路线

1、将RT前和RT中数据组合放到一起形成混合数据集。

2、图像像素值截断设置（1，99），然后采用z-score归一化方式进行归一化处理，将图像缩放到固定大小为400x400x128，将数据划分成训练集和验证集。

3、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是300，损失函数采用多类别的dice和ce。

4、训练结果和验证结果

5、验证集分割结果

左图是金标准结果，右图是预测分割结果。

点击阅读原文可以访问参考项目，如果大家觉得这个项目还不错，希望大家给个Star并Fork，可以让更多的人学习。如果有任何问题，随时给我留言我会及时回复的。