[論文レビュー] A Bibliography of Multiple Sclerosis Lesions Detection Methods using Brain MRIs

Atif Shah, Maged S. Al-Shaibani+2 more|arXiv (Cornell University)|Feb 19, 2023

Brain Tumor Detection and Classification被引用数 4

ひとこと要約

本論文は、脳MRIにおける多発性硬化症（MS）病変検出に関する241件の研究を包括的にレビューし、データ駆動型、統計的、教師あり機械学習、教師なし学習、ファジィ、ディープラーニングの6つのグループに分類している。深層学習手法が他の手法を上回っており、最高性能のモデルではDiceスコアが0.8を超える。今後の研究における主なギャップが特定された。

ABSTRACT

Introduction: Multiple Sclerosis (MS) is a chronic disease that affects millions of people across the globe. MS can critically affect different organs of the central nervous system such as the eyes, the spinal cord, and the brain. Background: To help physicians in diagnosing MS lesions, computer-aided methods are widely used. In this regard, a considerable research has been carried out in the area of automatic detection and segmentation of MS lesions in magnetic resonance images (MRIs). Methodology: In this study, we review the different approaches that have been used in computer-aided detection and segmentation of MS lesions. Our review resulted in categorizing MS lesion segmentation approaches into six broad categories: data-driven, statistical, supervised machine learning, unsupervised machine learning, fuzzy, and deep learning-based techniques. We critically analyze the different techniques under these approaches and highlight their strengths and weaknesses. Results: From the study, we observe that a considerable amount of work, around 25% of related literature, is focused on statistical-based MS lesion segmentation techniques, followed by 21.15% for data-driven based methods, 19.23% for deep learning and 15.38% for supervised methods. Implication: The study points out the challenges/gaps to be addressed in future research. The study shows the work which has been done in last one decade in detection and segmentation of MS lesions. The results show that, in recent years, deep learning methods are outperforming all the others methods.

研究の動機と目的

• 脳MRIにおけるMS病変検出のためのコンピュータ支援診断（CAD）手法を体系的にレビューし、分類すること。
• 2005年から2020年までの間におけるMS病変セグメンテーションの主な手法的トレンドを特定すること。
• Dice類似係数（DSC）などの標準化された指標を用いて、特にディープラーニングの性能を評価すること。
• 現在の手法における制限事項と研究ギャップを強調し、MS-CADシステムの今後の改善を図ること。
• 多様なデータセットや臨床的状況において、MS病変検出手法を評価・比較するための構造的フレームワークを提供すること。

提案手法

• 本研究は、IEEE Xplore、PubMed、Google Scholar、Scopusなどのデータベースを用いた体系的文献レビューを実施し、2005年1月から2020年12月までの出版物をカバーした。
• 手法は6つのカテゴリーに分類された：データ駆動型、統計的、教師あり機械学習、教師なし機械学習、ファジィ論理、ディープラーニングベースの技術。
• 性能評価は、Dice類似係数（DSC）、感受性（Sen）、特異性（Spec）、陽性予測値（PPV）、および誤検出率（FPR）といった標準的なセグメンテーション指標に焦点を当てた。
• 本レビューには241件の研究が含まれており、公開（例：ISBI 2015）および非公開データセットにおける定量的結果を報告した24件の代表的論文を詳細に分析した。
• 3D-CNN、U-Netアーキテクチャ、GANベースのフレームワークを含むディープラーニングモデルは、ボクセルレベルおよび病変レベルでの病変検出能力について分析された。
• 統計的およびデータ駆動型手法は、強度モデルと空間的事前知識への依存性について評価された。一方、ファジィおよび教師あり手法は、頑健性と一般化能力について評価された。

Figure 1: MS papers statistics for period of 2001 - 2020

実験結果

リサーチクエスチョン

• RQ1 2005年から2020年の間、脳MRIからの自動MS病変検出に用いられた主な手法的アプローチは何か？
• RQ2 特にディープラーニングを含む、異なる手法カテゴリーの性能指標（DSC、感受性、PPV）における比較は？
• RQ3 MS病変セグメンテーション研究で最も一般的に使用されているデータセットは何か？ また、モデルの性能はそれらのデータセット間でどのように変動するか？
• RQ4 現在のMS病変検出システムにおける主な制限事項と研究ギャップは何か？ 特に臨床応用可能性と一般化性能の観点から。
• RQ5 ディープラーニングモデルは、従来の手法に比べて、脳MRIにおけるMS病変検出でどの程度優れているか？

主な発見

• ディープラーニング手法は、レビュー対象文献の19.23％を占め、最も効果的なアプローチとして浮上しており、最高性能のモデルでは非公開データセットでDSCが0.83に達した。
• 最高性能のモデル（Salemら、2020年）は、完全畳み込みニューラルネットワーク（FCNN）を用いて60例の症例データセットでDSC 0.83、感受性83.09％、FPR 9.36％を達成した。
• ISBI 2015データセットでは、Aslani ら（2019年）がDSC 0.7067を報告した一方、Gabr ら（2019年）は白質でDSC 0.95、灰色領域でDSC 0.96を達成した。
• 統計的アプローチが最も一般的（文献全体の25％）、次にデータ駆動型（21.15％）、教師あり学習（15.38％）の順に多かった。
• 一部のデータセットでは高い性能を示したが、モデルの一般化性能にはばらつきが見られた。例として、Krüger ら（2020年）はチューリッヒデータセットでDSCがわずか0.39にとどまり、実臨床応用における課題を示唆した。
• 本研究では、標準化されたベンチマークと一貫した評価の欠如が指摘され、今後の研究における統一された検証フレームワークの構築が大きなギャップであると強調した。

Figure 2: Different types of MRI’s