头颈肿瘤在PET/CT中的分割:HECKTOR挑战赛| 文献速递-深度学习肿瘤自动分割

Title

题目

Head and neck tumor segmentation in PET/CT: The HECKTOR challenge

头颈肿瘤在PET/CT中的分割:HECKTOR挑战赛

01

文献速递介绍

高通量医学影像分析,常被称为放射组学,已显示出其在揭示定量影像生物标志物与癌症预后之间关系的潜力,包括在头颈(H&N)癌症的背景下(Vallieres等,2017;Bogowicz等,2017)。头颈癌是发病率第五高的癌症(Parkin等,2005),其治疗通常基于放射治疗与系统治疗(例如赛妥昔单抗)的组合(Bonner等,2010)。然而,治疗这种癌症仍具挑战性,因为大约40%的患者在治疗后的前两年内会发生局部失败(Chajon等,2013)。开发非侵入性和个性化的方法(例如放射组学)对于改善疾病特征化至关重要,并有望导致基于表型肿瘤特征的更有针对性的治疗。2-[18F]氟代脱氧葡萄糖正电子发射断层扫描(FDG-PET)和计算机断层扫描(CT)在疾病特征化中占有特殊地位,因为它们包含有关癌症的代谢和解剖的互补信息。此外,它们用于头颈癌的初步分期和随访。因此,这些模式易于用于基于临床获得的图像创建和评估放射组学模型。典型的放射组学分析依赖于在已勾画的病变或兴趣体积(VOI)内的局部特征提取(Lambin等,2017;Gillies等,2016)。

阻碍强大模型开发的原因之一是耗时且容易出错的手动勾画这些VOI。为此,自动分割头颈原发肿瘤(GTVt)和淋巴结(GTVn)的总肿瘤体积构成了一种非常有前景的方法,用于标注和分析非常大的队列,这对于实现放射组学模型的强大和可重复性验证至关重要。此外,自动分割还有潜力让放射肿瘤科医生通过减少肿瘤勾画所需时间以及改善观察者间的再现性,来提高治疗计划的效率。

头颈肿瘤(HECKTOR)挑战赛的目标是建立并评估最佳性能方法,用于头颈病变分割,同时利用联合PET/CT的丰富的双模态信息。在这一挑战赛的首届中,参与者被要求开发用于分割患有口咽癌患者FDG-PET/CT图像上的GTVt2的自动方法。值得注意的是,要成为正式排名的一部分,参与者必须提供一篇描述其方法的论文。

Abstract

摘要

This paper relates the post-analysis of the first edition of the HEad and neCK TumOR (HECKTOR) challenge. This challenge was held as a satellite event of the 23rd International Conference on Medical ImageComputing and Computer-Assisted Intervention (MICCAI) 2020, and was the first of its kind focusing onlesion segmentation in combined FDG-PET and CT image modalities. The challenge’s task is the automatic segmentation of the Gross Tumor Volume (GTV) of Head and Neck (H&N) oropharyngeal primarytumors in FDG-PET/CT images. To this end, the participants were given a training set of 201 cases fromfour different centers and their methods were tested on a held-out set of 53 cases from a fifth center.The methods were ranked according to the Dice Score Coefficient (DSC) averaged across all test cases. Anadditional inter-observer agreement study was organized to assess the difficulty of the task from a human perspective. 64 teams registered to the challenge, among which 10 provided a paper detailing theirapproach. The best method obtained an average DSC of 0.7591, showing a large improvement over ourproposed baseline method and the inter-observer agreement, associated with DSCs of 0.6610 and 0.61, respectively. The automatic methods proved to successfully leverage the wealth of metabolic and structuralproperties of combined PET and CT modalities, significantly outperforming human inter-observer agree

这篇论文讲述了第一届头颈肿瘤(HECKTOR)挑战赛的后期分析。该挑战赛作为第23届国际医学影像计算和计算机辅助干预会议(MICCAI 2020)的一个卫星活动举行,是首次专注于联合FDG-PET和CT影像模式的病变分割。挑战的任务是自动分割头颈(H&N)口咽部原发肿瘤的总肿瘤体积(GTV)在FDG-PET/CT图像中。为此,参与者获得了来自四个不同中心的201例训练集,他们的方法在第五个中心保留的53例病例上进行了测试。

方法根据所有测试病例的Dice得分系数(DSC)平均值进行排名。此外,还组织了一项观察者间一致性研究,以评估任务的难度从人类的角度来看。共有64支队伍注册参加挑战赛,其中10支提供了详细描述他们方法的论文。最佳方法获得了平均DSC为0.7591,较我们提出的基线方法和观察者间一致性的DSC分别为0.6610和0.61,显示出显著的改进。自动化方法成功地利用了联合PET和CT模式的丰富代谢和结构特性,显著超过了人类观察者间的一致性。

Conclusion

结论

This paper presents the HECKTOR 2020 challenge on the segmentation of the primary tumor of oropharyngeal H&N cancer inFDG PET/CT. Detailed information was reported on the dataset, participation, and segmentation performance. Good participation with18 teams and 10 participants’ publications allowed us to comparestate-of-the-art segmentation methods on this challenging task.The results are very satisfactory with the winning team achievingan average DSC of 0.7591, which is superior to the inter-observeragreement (average DSC 0.6110). These results were obtained witha strict testing scheme as the test cases were all from an unseencenter. It is reasonable to expect better results if the proposedmethods are fine-tuned on few examples from this center. All participants used U-Net based deep learning models, most of themwith a 3D architecture and standard pre-processing techniques.

本文介绍了HECKTOR 2020挑战赛,这是关于FDG PET/CT中口咽部头颈癌原发肿瘤的分割。文章详细报告了数据集、参与情况和分割性能。良好的参与度,有18支团队和10位参与者的出版物,使我们能够在这一具有挑战性的任务上比较最先进的分割方法。

结果非常令人满意,获胜团队的平均DSC为0.7591,优于观察者间一致性(平均DSC为0.6110)。这些结果是在严格的测试方案下获得的,因为测试案例全部来自一个未见过的中心。如果在这个中心的少数样本上对所提方法进行微调,可以合理预期会有更好的结果。所有参与者都使用了基于U-Net的深度学习模型,其中大多数采用了3D架构和标准的预处理技术。

Results

结果

This section regroups results in terms of challenge participation, algorithms used, segmentation performance, inter-observer agree ment, ensembling “super-algorithm”, simple PET thresholding, the relation between tumor size and segmentation performance, false positive analysis, and alternative ranking of the methods.

这部分汇总了挑战赛的参与情况、使用的算法、分割性能、观察者间一致性、集成“超级算法”、简单的PET阈值设定、肿瘤大小与分割性能之间的关系、假阳性分析以及方法的替代排名。

Figure

图片

Fig. 1. Case examples of 2D sagittal slices of fused PET/CT images from each of the five centers. These images are obtained after resampling the PET image and the CT image to 1x1x1 mm3 with a tricubic interpolation. The CT window in Hounsfield unit is [−140, 260] and the PET window in SUV is .

图 1. 来自五个中心的融合PET/CT图像的2D矢状切片案例示例。这些图像在将PET图像和CT图像重新采样到1x1x1 mm³,并使用三次立方插值后获得。CT窗口的赫氏单位为[−140, 260],PET窗口的SUV为。

图片

Fig. 2. Examples of results of the winning algorithm (andrei.iantsen (Iantsen et al., 2021b)). The automatic segmentation results (green) and ground truth annotations(red) are displayed on 2D slices of PET (right) and CT (left) images. The reported DSC is computed on the entire image (see Eq. 1). (a), (b) Excellent segmentation results,detecting the GTVt of the primary oropharyngeal tumor localized at the bse of the tongue and discarding the laterocervical lymph nodes despite high FDG uptake onPET. (c) Incorrect segmentation of the top volume at the level of the soft palate; (d) Incorrect segmentation of the smaller volume below the level of the hyoid bone.

图 2. 获胜算法的结果示例(andrei.iantsen (Iantsen等,2021b))。自动分割结果(绿色)和地面真实标注(红色)显示在PET(右侧)和CT(左侧)图像的2D切片上。报告的DSC是在整个图像上计算的(见公式1)。(a) 和 (b) 优秀的分割结果,检测到位于舌根的口咽部原发肿瘤的GTVt,并且尽管PET上FDG摄取量高,也排除了侧颈淋巴结。(c) 在软腭层面的顶部体积分割不正确;(d) 在舌骨下层面的较小体积分割不正确。

图片

Fig. 3. Box plots of the distribution of the 53 test DSCs for each participant, ordered by decreasing rank.

图 3. 按降序排列的每位参与者的53个测试DSC分布的箱形图。

图片

Fig. 4. Box plots of the distribution of DSCs across the 10 participants for each of the 53 patients in the test set.

图 4. 测试集中每位患者的10名参与者DSC分布的箱形图。

图片

Fig. 5. Segmentation performance of PET thresholding-based method at different percentages of maximum SUV. Three results are reported: the automatic PET threshold, thesemi-automatic PET threshold (indicating the location of the ground truth GTVt), and the semi-automatic PET and CT (for removing the air) threshold.

图 5. 基于不同最大SUV百分比的PET阈值法的分割性能。报告了三个结果:自动PET阈值、半自动PET阈值(指示地面真实GTVt的位置),以及半自动PET和CT(用于去除空气)阈值。

图片

Fig. 6. Scatter plot of DSC vs. tumor volume (voxel count in the VOI) for 10 participants. The corresponding Spearman correlation is 0.43.

图 6。10名参与者中DSC与肿瘤体积(感兴趣区域内的体素计数)的散点图。相应的Spearman相关系数为0.43。

图片

Fig. 7. Average DSC of each team’s algorithm in function of the volume of the tumors. This figure was generated by distributing the 53 test volumes in 4 bins of n =13, 13,13, and 14 each and then computing the average DSC for each bin.

图 7. 每个团队算法的平均DSC与肿瘤体积的关系。此图通过将53个测试体积分布在每个包含13, 13, 13和14个体积的4个区间中,然后计算每个区间的平均DSC生成。

图片

Fig. 8. Histogram of the Euclidean distance of the FP voxels to the closest ground truth GTVt voxel and GTVn voxel. We evaluate here the prediction of the first rankedparticipant (andrei.iantsen) (a) and our baseline 3D PET/CT (b). For comparison, the False Discovery Rate (FDR), i.e. FP/(FP+TP) is 0.15, with 544,343 TPs in (a) and FDR= 0.37 with 621,413 TPs in (b).

图 8. 假阳性体素到最近的地面真实GTVt体素和GTVn体素的欧几里得距离的直方图。这里我们评估第一名参与者(andrei.iantsen)的预测结果(a)和我们的基线3D PET/CT(b)。作为比较,假发现率(FDR),即 FP/(FP+TP) 在 (a) 中为0.15,有544,343个TPs,在 (b) 中为0.37,有621,413个TPs。

图片

Fig. 9. Ranking robustness against changes in test data. The robustness is assessed by ranking 1000 bootstraps of the test set. The size of the circles is proportional tothe number of times a team obtained the corresponding rank for each bootstrap. The dashed lines represent the confidence intervals at 95% computed from the bootstrapanalysis. The current ranking, i.e. the one used in this challenge, is obtained by averaging the DSCs across all test cases. The alternative ranking is computed by averagingthe rankings of each team across the test cases.

图 9. 排名对测试数据变化的稳健性。通过对测试集的1000个自助样本进行排名来评估稳健性。圆圈的大小与每个自助样本中团队获得相应排名的次数成正比。虚线代表由自助分析计算出的95%置信区间。当前排名,即本挑战赛中使用的排名,是通过平均所有测试案例的DSCs获得的。替代排名是通过平均每个团队在测试案例中的排名计算得出的。

Table

图片

Table 1List of scanners used in the different centers.

表 1 不同中心使用的扫描仪列表。

图片

Table 2Summary of the algorithms in terms of main components used: 2D or 3D U-Net, resampling, preprocessing, training or testing data augmentation, loss used for optimization,an ensemble of multiple models for test prediction and postprocessing of the results. We use the following abbreviations for the preprocessing: Clipping (C), Standardization(S), and if it is applied only to one modality, it is specified in parentheses. For the image resampling, we specify whether the algorithms use Isotropic (I) or Anisotropic (A)resampling and Nearest Neighbor (NN), Linear (L), or Cubic (Cu) interpolation. We use the following abbreviation for the losses: Cross-Entropy (CE), Mumford-Shah (MS),and Mean Absolute Error (MAE). More details can be found in the respective participants’ publications.

表 2 关于主要组件使用的算法总结:2D或3D U-Net、重采样、预处理、训练或测试数据增强、用于优化的损失函数、测试预测的多模型集成以及结果的后处理。我们使用以下缩写表示预处理:剪切(C)、标准化(S),如果仅应用于一种模式,则在括号中指定。对于图像重采样,我们指定算法使用的是等距(I)还是非等距(A)重采样以及最近邻(NN)、线性(L)或立方(Cu)插值。我们使用以下缩写表示损失函数:交叉熵(CE)、Mumford-Shah(MS)和平均绝对误差(MAE)。更多详情可以在各参与者的出版物中找到。

图片

Table 3Summary of the challenge results as of April 2021. The average DSC, precision, recall, SDSC and median HD95 are reported for the baseline algorithms and every team (thebest result of each team). The unit of the HD95 is [mm]. The participant names are reported when no team name was provided. The ranking is only provided for teamsthat presented their method in a paper submission. The post-challenge results are denoted by an asterisk ∗. Bold values represent the best scores for each metric, excludingpost-challenge results since we do not have any information about their method.

表 3截至2021年4月的挑战赛结果总结。报告了基线算法和每个团队(每个团队的最佳结果)的平均DSC、精度、召回率、SDSC和中位HD95。HD95的单位是[毫米]。如果没有提供团队名称,则报告参与者名称。只为提交了方法论文的团队提供排名。挑战赛后的结果由星号∗表示。粗体值代表除挑战赛后结果外每个指标的最佳分数,因为我们没有关于它们方法的任何信息。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/21714.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

基于单片机的超声波倒车雷达设计

摘 要:文 章设计了一种基于单片机的超声波倒车雷达系统,以 AT89C51 型单片机作为控制核心,集距离测量、显示,方位显示和危险报警于一体,以提高驾驶者在倒车泊车时的安全性和舒适性。本设计采用 Keil 软件对系统程序…

已办理劳务资质,为何无法在全国建筑市场网查询到企业?

已办理劳务资质的企业无法在全国建筑市场网(四库一平台)查询到,可能的原因如下: 数据更新延迟: 全国建筑市场监管公共服务平台(四库一平台)的数据更新可能存在延迟。新获得的劳务资质信息在平台…

第一次参加学术会议?来看看这份NeurIPS 2024的参会攻略

会议之眼 快讯 嘿,亲爱的学者们!有没有还没参加过学术会议的同学呢?别担心,今天小编就来给大家分享一份超实用的参会攻略,以人工智能领域备受瞩目的NeurIPS 2024为例,让你第一次参加学术会议就能像个老手一…

day4 数1 隐函数

基础知识 隐函数 :一个方程里边 使x有1个y与之对应 函数的有界性 f(X) 的值大于-M并小于M 单调性 可以用定义发判断单调性 定义法 奇函数 奇函数关于原点对称,偶关于x对称 定义域要关于原点对称 任何一个函数可以写成奇函数偶函数的形式 复合函数的…

gorm/gin框架实战

gorm/gin框架实战 项目简介 学习源视频:【最新Go Web开发教程】基于gin框架和gorm的web开发实战 (七米出品)_哔哩哔哩_bilibili 本博客为我的学习笔记。 项目目标:实现一个备忘录工具(当然不支持alert),仅仅是可以记录待办事项。 实现了…

川北医学院与爱尔眼科医院集团签署战略合作协议共谋医学发展新篇章

为深入贯彻落实党的二十大精神,统筹校、企、医、政多方资源,服务“健康中国”战略,推动眼健康产业发展,打造国家及区域级眼科医学中心,2024年5月31日,川北医学院与爱尔眼科医院集团在成都举行战略合作协议签…

数字化校园建设让学习更加广阔

校园构建数字化校园的亮点是什么?校园以智能服务、才智办理、数字讲堂为中心内容的智慧校园建造,不只使师生作业和日子更高效,并且使他们有更多的时刻投入到智能教育和智能学习中去,进步教育质量,使学生走出校门时紧跟…

代码随想录第23天|回溯part3 组合与分割

39.组合总和 class Solution { public:vector<vector<int>> res;vector<int> path;void backTracking(vector<int>& candidates,int target,int sum,int n,int step){if(n > 150) return;if(sum > target) return;if(sum target){res.push_…

Scikit-Learn随机森林分类

Scikit-Learn随机森林分类 1、随机森林分类1.1、随机森林分类概述1.2、随机森林分类的优缺点2、Scikit-Learn随机森林分类2.1、Scikit-Learn随机森林分类API2.2、Scikit-Learn随机森林分类初体验(葡萄酒分类)2.3、Scikit-Learn随机森林分类实践(鸢尾花分类)2.4、参数调优与…

微信支付(可复用)

3.1微信支付 本项目选择小程序支付 参考&#xff1a;产品中心 - 微信支付商户平台微信支付商户平台提供各类支付产品满足商家通过微信支付收款的需求&#xff1b;平台提供智慧经营&#xff0c;现金红包&#xff0c;代金券等运营工具&#xff0c;助力商家更好的玩转营销&#x…

程序员应该有什么职业素养?

程序员的六大职业素养&#xff1a;构建成功职业生涯的基石 在不断变化的技术世界中&#xff0c;程序员不单要保持技术的锋利&#xff0c;也需要培养相应的职业素养&#xff0c;这些素养在很大程度上决定了一个程序员的职业生涯能否走得长远。以下是我认为最为重要的六大职业素…

LLM基础知识

LLM背景知识介绍 1 大语言模型 (LLM) 背景 大语言模型 (英文&#xff1a;Large Language Model&#xff0c;缩写LLM) 是一种人工智能模型, 旨在理解和生成人类语言. 大语言模型可以处理多种自然语言任务&#xff0c;如文本分类、问答、翻译、对话等等。 &#x1f4a5;通常&…

NVIDIA - QPU

转载自 What Is a QPU? ( 2022 年 7 月 29 日 里克梅里特 https://blogs.nvidia.com/blog/what-is-a-qpu/ 文章目录 一、概述二、那么&#xff0c;什么是 QPU&#xff1f;三、量子处理器如何工作&#xff1f;四、制作量子比特的多种方法五、光的量子比特六、简单的芯片&#x…

git commit使用husky校验代码格式报错,没有将钩子 ‘.huskypre-commit‘ 设置为可执行,钩子被忽略。

使用git提交代码时&#xff0c;通过husky校验代码格式&#xff0c;终端报错 因为没有将钩子 .husky/pre-commit 设置为可执行 系统&#xff1a;Mac husky 在 Windows 上能够正常运行 解决办法 # 没有权限就给个权限 使用 chmod x 给权限 # 通过这行命令解决husky钩子不执行…

【C#】类和结构体的区别

目录 1.区别概述 ​编辑 2.细节区别 3.结构体的特别之处 4.如何选择结构体和类 1.区别概述 结构体和类的最大区别是在存储空间上&#xff0c;前者是值类型&#xff0c;存储在栈上&#xff0c;后者是引用类型&#xff0c;存储在堆上&#xff0c;它们在赋值上有很大的区别&a…

【C++入门到精通】C++ thread线程库 [ C++入门 ]

阅读导航 引言一、thread类的简单介绍二、thread类的用法1. 创建线程2. 使用 Lambda 表达式3. 传递参数给线程4. 线程的 join 和 detach5. 检查线程是否可 join6. 线程的 ID7. 线程的移动语义8. 线程的析构&#x1f6a8; 注意事项 三、线程函数参数温馨提示 引言 C thread线程…

实现流程化办公,可以相信拖拽表单设计器!

当前&#xff0c;竞争压力越来越大&#xff0c;利用什么样优良的办公软件实现流程化办公&#xff1f;可以一起来了解低代码技术平台、拖拽表单设计器的优势特点&#xff0c;看看它们是如何助力企业降本、增效、提质的。低代码技术平台的优势特点多&#xff0c;可以助力企业用拖…

轻松实现微信内下载,Xinstall让你的App推广更高效!

在微信中推广App&#xff0c;你是否遇到过这样的困扰&#xff1a;推广链接被微信拦截&#xff0c;用户需要手动复制链接到浏览器才能下载&#xff0c;大大降低了安装率&#xff1f;今天&#xff0c;我们要介绍的Xinstall&#xff0c;就是一款能够解决这一痛点的神器&#xff01…

2.2 OpenCV随手简记(三)

图像的阈值处理定义 &#xff1a;将图像转化为二值图像&#xff08;黑白图&#xff09;, 也可以用于彩色图形&#xff0c;达到夸张的效果 目的&#xff1a;是用来提取图像中的目标物体&#xff0c;将背景和噪声区分开&#xff08;可以近似的认为除了目标全是噪声&#xff09;。…

GSEA的算法只考虑排序吗

其实这个问题很好回答&#xff0c;只需要运行如下代码&#xff0c;如下的基因列表是顺序是完全相同&#xff0c;并且我们只是做了最基础的变换 library(clusterProfiler) library(org.Hs.eg.db)data(geneList, package"DOSE")ego1 <- gseGO(geneList geneLi…