Advanced Tumor Segmentation in PET/CT Imaging: A Training Strategy Study with nnU-Net for AutoPET III

Technische Samenvatting: Geavanceerde Tumorsegmentatie in PET/CT-beeldvorming

Probleemstelling
Whole-body tumorsegmentatie in PET/CT-beeldvorming is essentieel voor nauwkeurige ziekte-evaluatie en behandelingsplanning, maar blijft een aanzienlijke uitdaging vanwege de grote variabiliteit in laesiegrootte, contrast en anatomische verdeling. Handmatige segmentatie is niet alleen tijdrovend, maar ook vatbaar voor intra- en inter-observer variabiliteit. De specifieke context van dit werk is de AutoPET III-uitdaging, die zich richt op het ontwikkelen van modellen die kunnen generaliseren over verschillende radiotracers (FDG en PSMA) en multicenter-data, een vereiste waaraan standaard segmentatiebenaderingen vaak moeite hebben te voldoen.

Methodologie
De auteurs gebruiken het nnU-Net-framework als baseline, met name een Residual Encoder UNet-variant met een op ResNet gebaseerde encoder om de feature-representatie en gradiëntstroom te verbeteren. De studie stelt geen nieuwe architecturale wijzigingen voor; in plaats daarvan wordt systematisch onderzocht welke impact verschillende trainingsstrategieën hebben op een vaste architectuur (Residual Encoder Large-configuratie met een $192 \times 192 \times 192$ voxel patchgrootte).

Belangrijke methodologische componenten zijn:

• Dataset: De studie maakt gebruik van de AutoPET-III-dataset, bestaande uit whole-body PET/CT-scans van twee medische centra. De data omvat twee primaire cohorten: FDG (501 kankerpatiënten, 513 negatieve controles) en PSMA (537 gevallen met PSMA-avid laesies, 60 zonder).
• Inferentiestrategie: Om grote whole-body-volumes te verwerken, wordt een sliding window-inferentiestrategie toegepast. Robuustheid wordt versterkt door model-ensembling, waarbij de uiteindelijke voorspellingen worden afgeleid door het middelen van kansen van modellen die zijn getraind via 5-voudige cross-validatie.
• Experimenten met trainingsstrategieën: Vier verschillende configuraties werden geëvalueerd:
  1. Baseline: Standaard nnU-Net-configuratie met standaard CT-normalisatie en een $192^3$ patchgrootte.
  2. Z-score Normalisatie: Vervanging van de standaard PET-normalisatie door Z-score-normalisatie.
  3. BraTS 2020-strategie: Geïnspireerd door de winnende aanpak van BraTS 2020, waarbij de batchgrootte werd verhoogd van 2 naar 5 en batch Dice-loss werd gebruikt (berekening van Dice-scores over de volledige batch in plaats van per sample) om beter om te gaan met variabiliteit in tumorgrootte.
  4. CraveMix-augmentatie: Integratie van CraveMix-data-augmentatie om 350 synthetische samples per fold te genereren.

Belangrijkste Resultaten
De experimenten, geëvalueerd via 5-voudige cross-validatie en in een voorlopige testfase, onthulden duidelijke afwegingen tussen verschillende strategieën:

• Baseline & Z-score: Beide behaalden de hoogste cross-validatie Dice-scores (0,68). Echter, Z-score-normalisatie verminderde het aantal false positives (FP) in de testfase aanzienlijk tot 4,09 (tegenover 16,33 voor de baseline), hoewel dit ten koste ging van een hoger aantal false negatives (FN) (18,74).
• BraTS 2020-strategie: Deze aanpak leverde een lagere cross-validatie Dice op (0,66), maar toonde superieure generalisatie in de testfase met een Dice-score van 0,79. Opmerkelijk is dat deze strategie het laagste aantal false positives van alle strategieën behaalde (1,19), wat wijst op verbeterde robuustheid tegenover laesievariabiliteit.
• CraveMix: Deze strategie bood gematigde verbeteringen (Test Dice 0,78), maar verminderde het aantal false positives of false negatives niet significant ten opzichte van andere methoden.

Op basis van deze resultaten maakte de uiteindelijke inzending voor de AutoPET III-uitdaging gebruik van de modellen BraTS 2020 en Z-score-normalisatie. De gecombineerde methode behaalde een Dice-score van maximaal 0,80 in de voorlopige testfase en behaalde derde plaats in de uitdaging.

Betekenis en Claims
Het artikel stelt dat aanzienlijke prestatiewinsten in medische beeldsegmentatie kunnen worden behaald zonder de onderliggende modelarchitectuur te wijzigen. In plaats daarvan benadrukt de studie dat ontwerp van het trainingsprotocol – specifiek de keuze voor normalisatieschema's, optimalisatie op batch-niveau (batch Dice-loss) en data-augmentatie – cruciaal is.

De auteurs onderstrepen dat verschillende strategieën leiden tot verschillende prestatie-afwegingen:

• Z-score-normalisatie is effectief voor het verminderen van false positives.
• Batch Dice-optimalisatie (BraTS 2020-strategie) verbetert generalisatie en robuustheid tegenover laesievariabiliteit.

Het werk toont aan dat een systematisch onderzoek naar trainingsstrategieën binnen het nnU-Net-framework een haalbare weg is naar concurrerende prestaties in complexe, multicenter, multi-tracer segmentatietaken. De code voor de voorgestelde methode is publiek beschikbaar gesteld.