AutoPet2022——全身PET/CT病灶分割挑战赛

今天将分享全身PET/CT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、AutoPet2022介绍

正电子发射断层扫描/计算机断层扫描 (PET/CT) 是各种恶性实体肿瘤诊断检查的一部分。由于其广泛的适用性，氟脱氧葡萄糖 (FDG) 是反映组织葡萄糖消耗的肿瘤学环境中使用最广泛的 PET 示踪剂，例如通常会增加肿瘤病变的葡萄糖消耗。

作为临床常规分析的一部分，PET/CT 大多由经验丰富的医学影像专家进行定性分析。对 PET 信息的额外定量评估可能会允许更精确和个性化的诊断决策。定量 PET/CT 分析的一个关键初始处理步骤是分割肿瘤病变，从而实现准确的特征提取、肿瘤表征、肿瘤分期和基于图像的治疗反应评估。然而，手动病变分割是很费时费力的，因此在临床常规中是不可行的。

使用深度学习方法进行自动 PET/CT 病变分割的最新进展证明了该任务的原则可行性。虽然最近取得了这些进展，全身 PET/CT 中的肿瘤病变检测和分割仍然是一项具有挑战性的任务。FDG-PET中病灶分割困难在于肿瘤病灶和健康器官（例如大脑）都可以显著对FDG进行摄取。因此，避免误报分割可能很困难。

二、AutoPet2022任务

全身 FDG-PET/CT 中的自动肿瘤病变分割：1、准确快速的病灶分割，2、避免误报（大脑、膀胱等）。

三、AutoPet2022数据集

数据集是由组织学证实为恶性黑色素瘤、淋巴瘤或肺癌的患者以及在两个大型医疗中心（德国蒂宾根大学医院和慕尼黑 LMU 大学医院）接受 FDG-PET/CT 检查的阴性对照患者组成 ， 德国）。本次挑战赛中的所有 PET/CT 数据均采用符合国际准则的标准化协议，在最先进的 PET/CT 扫描仪（Siemens Biograph mCT、mCT Flow 和 Biograph 64、GE Discovery 690）上获得。CT 和 PET 数据以 3D 体积的形式提供，由轴向切片堆叠组成。通常，这些检查的扫描范围从颅底延伸到大腿中部，如果临床相关，扫描可以扩展到覆盖整个身体，包括整个头部和腿/脚。

3.1、PET/CT 采集协议

蒂宾根大学医院：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（Siemens, Healthcare GmbH, Erlangen, Germany）采集全身 PET/CT 图像，并在静脉内示踪剂给药后约 60 分钟开始。在静脉注射造影剂（90-120 ml Ultravist 370，Bayer AG）后 90 秒采集颈部、胸部、腹部和骨盆的诊断 CT 扫描（200 参考 mAs；120 kV）。PET 图像通过高斯重建后平滑（半峰全宽 2 mm）迭代重建（3 次迭代，21 个子集）。增强 CT 上的切片厚度为 2 或 3 mm。

慕尼黑 LMU 大学医院：患者在注射约 250 MBq 18F-FDG 前至少禁食 6 小时。全身 PET/CT 图像是在最先进的 PET/CT 扫描仪（Siemens Biograph mCT、mCT Flow 和 Biograph 64、GE Discovery 690）上采集的，并在静脉示踪剂给药后约 60 分钟开始。在适应体重的静脉注射造影剂（Ultravist 300，Bayer AG 或 Imeron 350，Bracco Imaging Deutschland GmbH）后 90 秒获得颈部、胸部、腹部和骨盆的诊断性 CT 扫描（100-190 mAs；120 kV） . PET 图像通过高斯重建后平滑（半峰全宽 2 mm）迭代重建（3 次迭代，21 个子集）。增强 CT 上的切片厚度为 3 mm。

3.2、训练和测试队列

训练案例：1,014 项研究（900 名患者），测试用例（最终评估）：200 项研究，测试用例（初步评估）：5 个研究。

一个案例（训练或测试案例）由一个 3D 全身 FDG-PET 体积、一个相应的 3D 全身 CT 体积和一个 PET 体积大小的 FDG-PET 上手动分割的肿瘤病灶的 3D 二元掩模组成。CT 和 PET 是在一个 PET/CT 扫描仪上同时采集的；因此 PET 和 CT 在解剖学上是对齐的，可因生理运动而产生微小的变化。

训练集——训练数据包括在蒂宾根大学医院获得的 1,014 项研究，并在 TCIA 上公开（作为 DICOM、NiFTI 和 HDF5 文件）。下载链接：

http://www.midaslab.org/autoPET/data/nifti.zip。该数据集是在 CC BY 许可下提供的，即只要原始创作被记入贷方，就允许重新分发、重新混合、改编和在此作品的基础上构建，甚至是商业化的。

初步测试集——对于参与管道的自我评估，我们提供对初步测试集的访问。初步测试集使用与最终测试集相同的成像数据，但仅包含5个研究。对这个初步集合的访问受到限制，只能通过提交给挑战的docker进行，并且只能在比赛期间的有限时间内使用。这样做的目的是让参与者可以检查他们方法的合理性。

最终测试集——最终测试集包含200项研究，其中100项研究来自与训练数据库相同的医院（Tübingen 大学医院），100项研究来自不同医院（慕尼黑 LMU 大学医院），具有相似的采集协议来评估算法鲁棒性和普遍性。

数据预处理和结构——在预处理步骤中，TCIA DICOM 文件被重新采样（CT 到 PET 成像分辨率，即相同的矩阵大小）和标准化（PET 转换为标准化更新值；SUV）。预处理数据将以 NifTI 格式提供。通过将图像单位从活动计数转换为标准化摄取值 (SUV) 来标准化 PET 数据。建议在 SUV 中使用重采样 CT (CTres.nii.gz) 和 PET (SUV.nii.gz)。掩码 (SEG.nii.gz) 是二进制的，1 表示病变。训练和测试数据库具有以下结构。

3.3、数据集标注

两位专家对训练和测试数据进行了注释：在蒂宾根大学医院，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对所有数据进行了注释。在慕尼黑 LMU 大学医院，一位拥有 5 年混合成像经验和机器学习研究经验的放射科医生对所有数据进行了注释。

定义了以下注释协议：第 1 步：通过视觉评估 PET 和 CT 信息以及临床检查报告来识别 FDG-avid 肿瘤病变。第 2 步：手动徒手分割轴向切片中已识别的病变。

3.4、评价标准

将对 200 名患者的保留测试案例进行评估。测试用例分为两个子组：100 个来自与训练用例相同的医院（德国蒂宾根大学医院），100 个来自具有相似采集协议的不同医院（德国慕尼黑 LMU 大学医院）。

反映 PET 病变分割任务的两个指标的组合：1、分割病灶的前景 Dice 评分，2、不与阳性重叠的假阳性连接分量的体积（=假阳性体积），3、金标准中与估计的分割掩码不重叠的正连通分量的体积（=假阴体积）。如果测试数据不包含阳性（无 FDG-avid 病变），则仅使用度量 2。

四、技术路线

1、分析有效病变数据，多模态数据一共有900例，有mask的数据一共501例。

2、提取人体ROI区域，根据CT图像采用（-500，5000）范围进行二值化操作，然后采用形态学开操作去除与床连接部分，通过最大连通域得到ROI区域。

3、分析ROI区域图像平均大小和Spacing平均大小:210x180x350，2.03642011x2.03642011x3.，将图像采样到统一分辨率（3，3，3）。

4、在ct，PET的ROI中随机提取20个patch大小是（96，96，192），patch里必须要包含有效的mask区域，图像采用（1，99）进行截断，再采用均值为0，方差为1的方式进行归一化。

5、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是100，损失函数采用二分类的dice。

6、训练结果和验证结果

7、验证集分割结果：输入整个图像通过滑窗叠加预测结果，左图是金标准，右图是预测结果

为了方便大家更高效地学习，我将代码进行了整理并更新到github上，点击原文链接即可访问。由于之前都是使用tensorflow1.14的进行代码实验开发的，为了方便pytorch的朋友们也可以复现实验结果，我将tensorflow版本的代码翻译转换成pytorch版本的。

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。