[論文レビュー] Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge

Dominic LaBella, Ujjwal Baid+120 more|arXiv (Cornell University)|May 16, 2024

Meningioma and schwannoma managementMedicine被引用数 3

ひとこと要約

本論文は、BraTS 2023 年頭蓋内ミエニオーム分類チャレンジを分析し、術前 MRI を用いたミエニオームの分類に深層学習モデルを評価する。頭蓋骨除去処理が腫瘍体積の損失を引き起こす主要因であることが特定され、放射線治療計画において重要な腫瘍領域を保持するための代替匿名化技術（例：MRI_reface）を提案する。

ABSTRACT

We describe the design and results from the BraTS 2023 Intracranial Meningioma Segmentation Challenge. The BraTS Meningioma Challenge differed from prior BraTS Glioma challenges in that it focused on meningiomas, which are typically benign extra-axial tumors with diverse radiologic and anatomical presentation and a propensity for multiplicity. Nine participating teams each developed deep-learning automated segmentation models using image data from the largest multi-institutional systematically expert annotated multilabel multi-sequence meningioma MRI dataset to date, which included 1000 training set cases, 141 validation set cases, and 283 hidden test set cases. Each case included T2, FLAIR, T1, and T1Gd brain MRI sequences with associated tumor compartment labels delineating enhancing tumor, non-enhancing tumor, and surrounding non-enhancing FLAIR hyperintensity. Participant automated segmentation models were evaluated and ranked based on a scoring system evaluating lesion-wise metrics including dice similarity coefficient (DSC) and 95% Hausdorff Distance. The top ranked team had a lesion-wise median dice similarity coefficient (DSC) of 0.976, 0.976, and 0.964 for enhancing tumor, tumor core, and whole tumor, respectively and a corresponding average DSC of 0.899, 0.904, and 0.871, respectively. These results serve as state-of-the-art benchmarks for future pre-operative meningioma automated segmentation algorithms. Additionally, we found that 1286 of 1424 cases (90.3%) had at least 1 compartment voxel abutting the edge of the skull-stripped image edge, which requires further investigation into optimal pre-processing face anonymization steps.

研究の動機と目的

• BraTS 2023 データセットを用いて、深層学習モデルが頭蓋内ミエニオームをどのように分類するかを評価すること。
• 頭蓋骨除去前処理がミエニオーム分類精度に与える影響を調査すること。
• 特に放射線治療計画における腫瘍体積の含め方に関する、臨床的意義のギャップを同定すること。
• 患者匿名化を確保しつつ腫瘍体積を保持する改善された前処理技術を提案すること。
• 自動分類を RTOG 0539 などの臨床プロトコルに合わせ、ミエニオーム放射線治療における標的体積定義に整合させること。

提案手法

• T1、T1-CE、T2、FLAIR のマルチコントラスト MRI を有する 1,424 例の BraTS 2023 術前ミエニオームデータセットを用いた。
• 学習（70%）、検証（10%）、非公開テスト（20%）のスプリットを用いて、標準指標で分類性能を評価した。
• 頭蓋骨除去処理が腫瘍体積に与える影響を、頭蓋骨境界に接するボクセルを測定することで分析した。
• 顔面および耳領域を変更することで脳組織を保持する、MRI_reface などの代替匿名化技術を提案した。
• RTOG 0539 プロトコルに従い、標的体積定義における分類出力の臨床的妥当性を評価した。
• 分類ラベルに非強化部所（例：T2/FLAIR 高信号、硬膜尾）が含まれるか、臨床実務とどのように一致するかを評価した。

Figure 1: Meningioma sub-compartments considered in the BraTS Pre-operative Meningioma Dataset. Image panels A-C denote the different tumor sub-compartments included in manual annotations; (A) enhancing tumor (blue) visible on a T1-weighted post-contrast image; (B) the non-enhancing tumor core (red)

実験結果

リサーチクエスチョン

• RQ1 前処理段階での頭蓋骨除去処理が、自動分類においてどの程度ミエニオーム腫瘍体積が除外されるか。
• RQ2 現在の分類モデルは、BraTS 2023 ミエニオームデータセットにおいて、強化腫瘍および術後再発巣体積をどの程度保持しているか。
• RQ3 患者匿名化を確保しつつ、臨床的に重要な腫瘍領域を最もよく保持する前処理技術は何か。
• RQ4 分類ラベルは、RTOG 0539 における臨床的放射線治療標的体積定義とどの程度一致しているか。
• RQ5 放射線治療計画を支援するための分類に適したデータセットのキュレーションおよびラベリングを改善するには、どのような点が求められるか。

主な発見

• 頭蓋骨除去処理により、1,483 例中の 1,286 例が、頭蓋骨除去境界に接する少なくとも 1 ボクセルの腫瘍を失うリスクを抱えていた。
• 本研究では、非強化 T2/FLAIR 高信号および線状の硬膜尾強化が、しばしば分類ラベルに含まれているが、放射線治療計画における全腫瘍体積（GTV）には含まれるべきでないと判明した。
• MRI_reface は、頭蓋骨除去の代替として有望であると判明した。これは、MR 画像の大部分を保持しながら顔面特徴を匿名化できる。
• RTOG 0539 プロトコルでは、GTV に含まれるべきは強化腫瘍および術後再発巣体積のみであり、腫瘍再発と関連しない浮腫や硬膜尾は含まれない。
• BraTS 2023 のような現在の分類チャレンジでは、非標的構造を表すラベル（例：SNFH）が含まれており、モデルが臨床実務とずれる可能性がある。
• トレーニングおよび検証データセットは Synapse で公開されているが、テストセットは今後のアルゴリズムの無偏評価を確保するため非公開に保たれている。

Figure 2: Image panels of the top scored individual test case with a median participant DSC of 1.00, 1.00, and 1.00 and average participant DSC of 0.993, 0.881, and 0.882 for enhancing tumor, tumor core, and whole tumor; respectively. Tumor ground truth sub-compartment labels annotated on axial (A),