[論文レビュー] A Systematic Collection of Medical Image Datasets for Deep Learning

Johann Li, Guangming Zhu+12 more|arXiv (Cornell University)|Jun 24, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 193被引用数 9

ひとこと要約

本論文は、2013年から2020年までの4つの分野（頭頸部、胸部・腹部、病理学・血液、その他の分野）における、300以上の医療画像データセットおよびチャレンジを包括的かつ体系的に収集したものを提示している。本研究は、研究者が関連するデータセットを特定し、手法の堅牢な評価が可能となり、チャレンジのリーダーボードにアクセスできることで、医療画像におけるディーブラーニングにおけるデータ不足とアクセス障壁を克服する。

ABSTRACT

The astounding success made by artificial intelligence (AI) in healthcare and other fields proves that AI can achieve human-like performance. However, success always comes with challenges. Deep learning algorithms are data-dependent and require large datasets for training. The lack of data in the medical imaging field creates a bottleneck for the application of deep learning to medical image analysis. Medical image acquisition, annotation, and analysis are costly, and their usage is constrained by ethical restrictions. They also require many resources, such as human expertise and funding. That makes it difficult for non-medical researchers to have access to useful and large medical data. Thus, as comprehensive as possible, this paper provides a collection of medical image datasets with their associated challenges for deep learning research. We have collected information of around three hundred datasets and challenges mainly reported between 2013 and 2020 and categorized them into four categories: head & neck, chest & abdomen, pathology & blood, and ``others''. Our paper has three purposes: 1) to provide a most up to date and complete list that can be used as a universal reference to easily find the datasets for clinical image analysis, 2) to guide researchers on the methodology to test and evaluate their methods' performance and robustness on relevant datasets, 3) to provide a ``route'' to relevant algorithms for the relevant medical topics, and challenge leaderboards.

研究の動機と目的

• 医療画像解析におけるデータ不足という深刻なボトル neck を解消するため、包括的で最新のデータセットおよびチャレンジのリストを収集すること。
• 研究者が特定の臨床画像診断タスクに適したデータセットを効果的に選択し、自身のディーブラーニングアルゴリズムの評価やベンチマーク化を可能にするためのガイドラインを提供すること。
• データセット、チャレンジ、関連するアルゴリズムをリンクするナビゲート可能なリファレンスを提供し、AI駆動の医療画像解析分野における研究開発を加速すること。
• 公に利用可能な、倫理的に適合したデータセットおよびチャレンジプラットフォームを収集することで、データアクセスおよびアノテーションの障壁を克服すること。
• ベンチマークプラットフォームおよびリーダーボードを統合することで、医療AI分野における再現性および比較可能性を高めること。

提案手法

• 主な国際会議および機関から2013年から2020年までの間に報告された300以上の医療画像データセットおよびチャレンジを体系的に収集・キュレートした。
• 解剖学的および臨床的関連性に基づき、データセットを4つのテーマグループ（頭頸部、胸部・腹部、病理学・血液、その他の分野）に分類した。
• 画像モality、タスクタイプ（例：分類、セグメンテーション）、サンプル数、アノテーション品質を含む、各データセットの詳細なメタデータを提供した。
• 関連するチャレンジ（例：MICCAI、ISBI、AAPM）にデータセットをマッピングし、リーダーボードおよび公開リポジトリへのリンクを含めた。
• データ効率的学習のための主要な手法（例：トランスファー学習、少数ショット学習、アクティブラーニング、フェデレートドラーニング）をレビューおよび要約した。
• 放射線科レポートを活用した自然言語処理の役割について、手動によるラベル付けの負担を軽減する半自動アノテーションを支援する観点から議論した。

実験結果

リサーチクエスチョン

• RQ1 医療分野におけるディーブラーニング研究に利用可能な、最も包括的かつ最新の医療画像データセットおよびチャレンジの収集は何か？
• RQ2 研究者は、特定の医療画像診断タスク（例：MRI やCTにおける腫瘍セグメンテーション）に適したデータセットをどのように効率的に特定・アクセスできるか？
• RQ3 医療画像解析におけるデータ不足およびアノテーションのボトル neck を克服するための最も効果的な戦略は何か？
• RQ4 ベンチマークプラットフォームおよびチャレンジリーダーボードは、医療画像におけるディーブラーニングモデルの評価および再現性をどのように向上させるか？
• RQ5 フェデレートドラーニングやアクティブラーニングといった新技術は、プライバシー保護およびコスト効率の良いモデル学習をどのように可能にするか？

主な発見

• 本研究では、2013年から2020年までの間、多様な解剖的領域および画像モalityをカバーする300以上の医療画像データセットおよびチャレンジを収集・整理した。
• データセットは、頭頸部、胸部・腹部、病理学・血液、その他の分野という4つの主要なテーマに体系的に分類され、検索性および利用可能性が向上した。
• 著者らは、MICCAI、ISBI、AAPMが医療画像におけるディーブラーニングモデルのベンチマークおよび評価の主要なプラットフォームであると特定した。
• トランスファー学習および事前学習モデルを微調整する手法が、医療画像における低データ環境への適応に非常に有効であることが判明した。
• アクティブラーニングおよびフェデレートドラーニングは、アノテーションコストの低減およびデータプライバシーの保護に向けた有望なアプローチであると同定された。
• 放射線科レポートを活用した自然言語処理技術が、エキスパートによるラベル付けに依存するのを減らす半自動アノテーションを支援することが示された。