AutoPET2024——多示踪剂多中心全身 PET/CT 中的自动病灶分割

今天将分享多示踪剂多中心全身 PET/CT 中的自动病灶分割完整实现版本，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、AutoPET2024介绍

第三届 autoPET 挑战赛是在多示踪剂多中心环境中进一步完善正电子发射断层扫描/计算机断层扫描 (PET/CT) 扫描中肿瘤病变的自动分割。在过去的几十年里，PET/CT 已成为肿瘤诊断、管理和治疗计划的关键工具。在临床常规中，医学专家通常依赖 PET/CT 图像的定性分析，尽管定量分析可以实现更精确和个性化的肿瘤表征和治疗决策。临床采用的一个主要方法是病灶分割，这是定量图像分析的必要步骤。手动执行非常繁琐、耗时且成本高昂。机器学习提供了对 PET/CT 图像进行快速、全自动定量分析的潜力，正如之前在前两个 autoPET 挑战中所证明的那样。基于在这些挑战中获得的见解，autoPET III 扩大了范围，以满足模型在多个示踪剂和中心之间推广的关键需求。为此，提供了更多样化的 PET/CT 数据集，其中包含从两个不同临床站点获取的两种不同示踪剂的图像-前列腺特异性膜抗原 (PSMA) 和氟脱氧葡萄糖 (FDG)（如下图）。在本次挑战中，提供了两个奖项类别任务。在第一类奖项中，任务是开发适用于两种不同追踪器的强大分割算法。在第二类奖项中，讨论了数据质量和预处理对算法性能的重要性。在这里，鼓励参与者使用创新的数据管道增强基线模型，促进以数据为中心的自动化 PET/CT 病变分割方法的进步。加入 autoPET III，为 PET/CT 中基于深度学习的强大医学图像分析铺平道路，优化肿瘤学诊断和个性化治疗指导。

算法将分别在来自 LMU 和 UKT 的 PSMA 和 FDG 数据上进行测试。将使用混合模型框架对有效提交进行排名，考虑不同示踪剂和不同站点的影响。此外，还将设立第二个奖项类别，邀请参与者提交使用其先进数据管道训练的基线模型。这一类别的动机是观察到在 autoPET I 和 II 中，数据质量以及预处理和后处理中的处理构成了重大瓶颈。由于医学深度学习社区中公开可用的 PET 数据很少，因此没有标准化的方法来预处理这些图像（标准化、增强等）。因此，第二个奖项类别将额外推广以数据为中心的自动 PET/CT 病灶分割方法。

二、AutoPET2024任务

在全身 PET/CT 图像中准确分割FDG和PSMA亲和的肿瘤病灶。PET/CT病灶自动分割的具体挑战是避免在捕获所有肿瘤病灶时对具有生理高摄取率的解剖结构进行假阳性分割。这项任务在多示踪剂环境中特别具有挑战性，因为不同示踪剂的生理吸收部分不同：例如 FDG（脑、肾、心脏等），PSMA（ 肝、肾、脾、下颌等）。待开发的算法相对于示踪剂、采集协议或采集站点的选择的适度变化具有稳健的行为。这将通过测试数据反映出来，测试数据部分来自与训练数据相同的分布，部分来自具有类似但略有不同的采集设置的不同医院。

三、AutoPET2024数据集

基于前两个 autoPET 挑战赛的见解，将 autoPET III 挑战赛的范围扩展到实现自动病灶分割的多示踪剂多中心泛化的主要任务。为此，提供了两个不同的 PET/CT 训练数据集的访问权限 ：在德国蒂宾根大学医院 (UKT) 获取的大型带注释 FDG-PET/CT 数据集，以及在德国慕尼黑 LMU 医院 (LMU) 获取的大型带注释 PSMA-PET/CT 数据集。FDG-UKT 数据集已用于 autoPET I 和 II 挑战赛。PSMA-LMU 数据集是新的。它包含来自 LMU 医院诊断为前列腺癌的 597 名男性患者的 PET/CT 数据，并显示出与 UKT 训练数据（不同的示踪剂、不同的 PET/CT 扫描仪和采集协议）的显着域转变。将对 200 项研究进行测试（保留测试数据库）。测试数据的部分（50%）将来自与训练数据相同的来源和分布。另一部分将从另一个中心横向绘制，即来自图宾根的 PSMA (25%) 和来自 LMU 的 FDG (25%)。

训练案例：1,014 项 FDG 研究（900 名患者）和 597 项 PSMA 研究（378 名患者）。

测试案例（最终评估）：200 项研究（50 FDG LMU、50 FDG UKT、50 PSMA LMU、50 PSMA UKT）。

测试案例（初步评估）：5项研究。

FDG 队列包括 501 名经组织学诊断患有恶性黑色素瘤、淋巴瘤或肺癌的患者，以及 513 名阴性对照患者。PSMA 队列包括前列腺癌男性个体治疗前和/或治疗后 PET/CT 图像，包括具有 (537) 和不具有 PSMA 强烈肿瘤病变 (60) 的图像。值得注意的是，训练数据集表现出不同的年龄分布：FDG UKT 队列涵盖 570 名男性患者（平均年龄：60；标准：16）和 444 名女性患者（平均年龄：58；标准：16），而 PSMA MUC 队列倾向于 年龄较大，其中 378 名男性患者（平均年龄：71；标准：8）。此外，FDG 图宾根和 PSMA 慕尼黑队列之间的成像条件存在差异，特别是在用于采集的 PET/CT 扫描仪的类型和数量方面。PSMA 慕尼黑数据集是使用三种不同的扫描仪类型（Siemens Biograph 64-4R TruePoint、Siemens Biograph mCT Flow 20 和 GE Discovery 690）获取的，而 FDG Tübingen 数据集是使用单个扫描仪（Siemens Biograph mCT）获取的。

FDG 数据集：患者在注射约 350 MBq 18F-FDG 前至少禁食 6 小时。使用 Biograph mCT PET/CT 扫描仪（德国埃尔兰根西门子医疗保健有限公司）采集全身 PET/CT 图像，并在静脉示踪剂给药后约 60 分钟开始拍摄。静脉注射造影剂（90-120 ml Ultravist 370，Bayer AG）或不使用造影剂（以防万一）后 90 秒获得颈部、胸部、腹部和骨盆的诊断性 CT 扫描（200 参考 mAs；120 kV） 现有的禁忌症）。使用高斯重建后平滑（半高全宽 2 mm）迭代重建 PET 图像（3 次迭代，21 个子集）。增强 CT 上的切片厚度为 2 或 3 毫米。

PSMA 数据集：在不同的 PET/CT 扫描仪（Siemens Biograph 64-4R TruePoint、Siemens Biograph mCT Flow 20 和 GE Discovery 690）上采集检查数据。成像方案主要包括使用以下扫描参数从颅底到大腿中部进行诊断性 CT 扫描：参考管电流曝光时间乘积 143 mAs（平均值）；大多数情况下管电压为 100kV 或 120 kV，Biograph 64 和 Biograph mCT 的切片厚度为 3 mm，GE Discovery 690 的切片厚度为 2.5 mm（除 3 例 5 mm 外）。除有禁忌症的患者 (26) 外，大多数研究 (571) 均使用静脉造影增强。分别静脉注射 246 MBq 18F-PSMA（平均，369 项研究）或 214 MBq 68Ga-PSMA（平均，228 项研究）后，平均约 74 分钟获得全身 PSMA-PET 扫描。PET 数据通过相应 CT 数据的衰减校正进行重建。对于GE Discovery 690，重建过程采用体素尺寸为2.73 mm × 2.73 mm × 3.27 mm的VPFX算法，对于Siemens Biograph mCT Flow 20，重建过程采用体素尺寸为4.07 mm × 4.07 mm × PSF+TOF算法（2次迭代，21个子集）。3.00 毫米，对于西门子 Biograph 64-4R TruePoint，PSF 算法（3 次迭代，21 个子集），体素尺寸为 4.07 毫米 × 4.07 毫米 × 5.00 毫米。

UKT 的 FDG PET/CT 训练和测试数据由一位拥有 10 年混合成像经验和机器学习研究经验的放射科医生注释。来自 LMU 的 FDG PET/CT 测试数据由一位拥有 8 年混合成像经验的放射科医生注释。来自 LMU 的 PSMA PET/CT 训练和测试数据以及来自 UKT 的 PSMA PET/CT 测试数据由一位读者进行注释，并由一位拥有 5 年混合成像经验的放射科医生进行审核。定义了以下注释协议：步骤 1：通过目视评估 PET 和 CT 信息以及临床检查报告来识别示踪剂丰富的肿瘤病变。步骤 2：手动徒手分割轴向切片中已识别的病变。

数据下载：

https://syncandshare.lrz.de/getlink/fiCJ6mQcjefMTQdKJsBSys/

为了进行评估，将使用三个指标的组合，反映 PET 病变分割的目标和具体挑战：分割病变的前景 Dice 评分；假阳性体积 (FPvol)：不与阳性重叠的假阳性连通分量的体积；假负体积（FNvol）：真实实况中不与估计的分割掩模重叠的正连接分量的体积。

四、技术路线

1、首先采用固定阈值和最大连通域法分割人体ROI，然后根据人体ROI从原始CT和PET图像和mask提取ROI区域。由于肿瘤病灶是多样性变换的，所以对肿瘤Mask进行形态学膨胀操作，核大小为5，增加肿瘤病灶分割检出率。

2、分析ROI图像，得到图像平均大小是198x169x322，因此将图像缩放到固定大小256x256x320。图像预处理，对步骤1的ROI图像采用均值为0，方差为1的方式进行归一化处理，再将数据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，损失函数采用二值化的dice和交叉熵。

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，右图是网络预测结果。

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。