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

Resumo Técnico: Segmentação Avançada de Tumores em Imagens PET/CT

Declaração do Problema
A segmentação de tumores em todo o corpo em imagens PET/CT é essencial para avaliação precisa da doença e planejamento de tratamento, mas permanece um desafio significativo devido à alta variabilidade no tamanho, contraste e distribuição anatômica das lesões. A segmentação manual não apenas consome muito tempo, mas também está sujeita a variabilidades intra e interobservador. O contexto específico deste trabalho é o desafio AutoPET III, que foca no desenvolvimento de modelos capazes de generalizar entre diferentes radiofármacos (FDG e PSMA) e dados de múltiplos centros, um requisito que as abordagens padrão de segmentação frequentemente lutam para atender.

Metodologia
Os autores utilizam o framework nnU-Net como base, empregando especificamente uma variação Residual Encoder UNet com um codificador baseado em ResNet para aprimorar a representação de características e o fluxo de gradiente. O estudo não propõe alterações arquitetônicas novas; em vez disso, investiga sistematicamente o impacto de várias estratégias de treinamento em uma arquitetura fixa (configuração Residual Encoder Large com tamanho de patch de $192 \times 192 \times 192$ voxels).

Componentes metodológicos chave incluem:

• Conjunto de Dados: O estudo utiliza o conjunto de dados AutoPET-III, composto por varreduras PET/CT de corpo inteiro de dois centros médicos. Os dados incluem duas coortes principais: FDG (501 pacientes com câncer, 513 controles negativos) e PSMA (537 casos com lesões avidas em PSMA, 60 sem).
• Estratégia de Inferência: Para lidar com grandes volumes de corpo inteiro, é empregada uma estratégia de inferência por janela deslizante. A robustez é aprimorada por meio de ensemble de modelos, onde previsões finais são derivadas pela média das probabilidades de modelos treinados via validação cruzada de 5 dobras.
• Experimentos de Estratégia de Treinamento: Quatro configurações distintas foram avaliadas:
  1. Linha de Base: Configuração padrão do nnU-Net com normalização padrão de CT e tamanho de patch de $192^3$.
  2. Normalização Z-score: Substituição da normalização padrão de PET por normalização Z-score.
  3. Estratégia BraTS 2020: Inspirada na abordagem vencedora do BraTS 2020, envolveu o aumento do tamanho do lote de 2 para 5 e o uso de perda Dice por lote (cálculo de pontuações Dice em todo o lote em vez de por amostra) para lidar melhor com a variabilidade no tamanho dos tumores.
  4. Aumento CraveMix: Integração de aumento de dados CraveMix para gerar 350 amostras sintéticas por dobra.

Resultados Chave
Os experimentos, avaliados via validação cruzada de 5 dobras e em uma fase preliminar de teste, revelaram trade-offs distintos entre diferentes estratégias:

• Linha de Base & Z-score: Ambas alcançaram as maiores pontuações Dice de validação cruzada (0,68). No entanto, a normalização Z-score reduziu significativamente os falsos positivos (FP) na fase de teste para 4,09 (comparado a 16,33 para a linha de base), embora isso tenha ocorrido às custas de uma taxa maior de falsos negativos (FN) (18,74).
• Estratégia BraTS 2020: Esta abordagem resultou em uma Dice de validação cruzada menor (0,66), mas demonstrou generalização superior na fase de teste com uma pontuação Dice de 0,79. Notavelmente, alcançou a menor taxa de falsos positivos de todas as estratégias (1,19), indicando robustez aprimorada à variabilidade das lesões.
• CraveMix: Esta estratégia forneceu melhorias moderadas (Dice de Teste 0,78), mas não reduziu significativamente falsos positivos ou falsos negativos em comparação com outros métodos.

Com base nesses resultados, a submissão final para o desafio AutoPET III utilizou os modelos BraTS 2020 e normalização Z-score. O método combinado alcançou uma pontuação Dice de até 0,80 na fase preliminar de teste e garantiu o terceiro lugar no desafio.

Significado e Alegações
O artigo afirma que ganhos significativos de desempenho em segmentação de imagens médicas podem ser alcançados sem modificar a arquitetura subjacente do modelo. Em vez disso, o estudo enfatiza que o design do protocolo de treinamento — especificamente a escolha de esquemas de normalização, otimização em nível de lote (perda Dice por lote) e aumento de dados — é crítico.

Os autores destacam que diferentes estratégias levam a trade-offs de desempenho distintos:

• A normalização Z-score é eficaz para reduzir falsos positivos.
• A otimização Dice por lote (estratégia BraTS 2020) aprimora a generalização e a robustez à variabilidade das lesões.

O trabalho demonstra que a investigação sistemática de estratégias de treinamento dentro do framework nnU-Net é um caminho viável para desempenho competitivo em tarefas complexas de segmentação multi-centro e multi-radiofármaco. O código para o método proposto está disponível publicamente.