一、BraTS-GLI2024介绍
国际脑肿瘤分割(BraTS)挑战。自2012年以来，BraTS一直专注于为成人脑胶质瘤的描述生成基准环境和数据集。今年挑战的重点仍然是产生一个共同的基准环境，但与2023年类似，该数据集将大幅扩展到约4,500例，以解决额外的i)人口(例如撒哈拉以南非洲患者)，ii)肿瘤(例如脑膜瘤)，iii)临床问题(例如缺失数据)，以及iv)技术考虑(例如增强)。具体而言，BraTS 2024的重点是确定当前最先进的算法，用于(任务1)使用新数据集处理治疗后胶质瘤，(任务2)服务不足的撒哈拉以南非洲脑胶质瘤患者群体，(任务3)使用新数据集处理放疗脑膜瘤，(任务4)脑转移，(任务5)儿科脑肿瘤患者，(任务7和8)全局和局部缺失数据，(任务9)有用的增强技术，以及(任务10)使用新数据集处理病理学。值得注意的是，所有数据都是常规的临床获得的，脑肿瘤患者的多位点多参数磁共振成像(mpMRI)扫描。所有数据集的真实参考注释由神经放射学专家为训练、验证和测试数据集中的每个主题创建和批准，以定量评估参与算法的性能。 神经胶质瘤是成人中最常见的恶性原发性脑肿瘤，其中弥漫性神经胶质瘤最为常见。弥漫性神经胶质瘤的特点是其在中枢神经系统内的浸润性生长模式，由于其生物行为、预后和对治疗的反应多变，给治疗和监测带来了巨大挑战。弥漫性神经胶质瘤的治疗涉及针对肿瘤特征和患者健康状况的多模式方法，包括手术、放射治疗和全身治疗。MRI 仍然是弥漫性神经胶质瘤治疗后成像的黄金标准。它提供了有关肿瘤大小、位置和形态随时间变化的重要信息。弥漫性神经胶质瘤的治疗后成像是患者管理的基本组成部分，它决定了治疗的变化并与临床结果相关。脑肿瘤分割 (BraTS) 挑战赛旨在确定当前最先进的脑中枢神经系统肿瘤分割算法。训练和盲验证数据可用于构建和评估分割算法。盲法验证数据预测的评估指标将立即返回给参与者，并附上不断更新的排行榜。2024 年 BraTS 治疗后胶质瘤子挑战赛的目的是开发一种自动多室脑肿瘤分割算法，用于治疗后 MRI 上的高级别和低级别弥漫性胶质瘤。从该挑战赛中开发的数据和算法可用于创建客观评估残留肿瘤体积的工具，以进行治疗计划和结果预测。
二、BraTS-GLI2024任务
肿瘤亚区域分割。注释包括增强组织（ET - 标签 3）、周围非增强 FLAIR 高信号（SNFH）- 标签 2）、非增强肿瘤核心（NETC - 标签 1）和切除腔（RC - 标签 4）。
三、BraTS-GLI2024数据集
今年的 BraTS 挑战赛使用多机构常规治疗后临床获取的胶质瘤多参数 MRI (mpMRI) 扫描作为训练、验证和测试数据。数据来自七个不同的学术医疗中心，杜克大学，加州大学旧金山分校，密苏里大学哥伦比亚分校，加州大学圣地亚哥分校，海德堡大学医院，密歇根大学，印第安纳大学。专家神经放射学家为训练、验证和测试数据集中的每个受试者创建并批准肿瘤子区域的地面实况注释，以定量评估预测的肿瘤分割。所有 BraTS mpMRI 扫描均可作为 NIfTI 文件 (.nii.gz) 获得，并描述 a) 原始 (T1) 和 b) 对比后 T1 加权 (T1Gd)、c) T2 加权 (T2) 和 d) T2 液体衰减反转恢复 (FLAIR) 体积，并使用来自多个数据提供机构的不同临床方案和各种扫描仪获取。真实数据是在预处理后创建的，包括与同一解剖模板的联合配准、以相同分辨率 (1 mm3) 进行插值以及颅骨剥离。所有成像数据集均由一到四名评分员按照相同的注释协议手动注释，其注释均由经验丰富的神经放射学家批准。注释包括增强组织（ET - 标签 3）、周围非增强 FLAIR 高信号（SNFH）- 标签 2）、非增强肿瘤核心（NETC - 标签 1）和切除腔（RC - 标签 4）。数据下载：
https://www.synapse.org/Synapse:syn59059776
考虑评估的子区域包括：ET 描述活动性肿瘤区域以及增强的结节区域。NETC 表示肿瘤内的坏死和囊肿。SNFH 包括水肿、浸润性肿瘤和治疗后变化。RC 包括近期和慢性切除腔，通常包含液体、血液、空气和/或蛋白质物质。肿瘤核心 (ET 加 NETC) 描述通常在手术过程中切除的内容。整个肿瘤 (ET 加 SNFH 加 NETC) 定义肿瘤的整个范围，包括肿瘤核心、浸润性肿瘤、肿瘤周围水肿和治疗相关变化。评价指标：病变骰子相似系数 (DSC)，它测量预测分割和地面真实分割之间的体素分割重叠，忽略真正的负体素。病变95% Hausdorff 距离 (HD95)，它测量预测分割和地面真实分割中心之间的距离。
四、技术路线
1、根据固定阈值和形态学最大连通域分析得到大脑ROI区域，然后提取原始图像和标注图像的ROI。2、分析步骤1的ROI图像信息，得到图像平均大小是136x175x142，因此将图像缩放到固定大小160x160x160。3、图像预处理，对步骤2的原始图像进行像素值（1，99）截断，然后采用均值为0，方差为1的方式进行归一化处理。然后将数据分成训练集和验证集，对训练集做5倍数据增强处理。4、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是4，epoch是300，损失函数采用多分类的dice和交叉熵。5、训练结果和验证结果
6、验证集分割结果 左图是金标准结果，右图是预测分割结果。
7、测试集分割结果
