[論文レビュー] APIS: A paired CT-MRI dataset for ischemic stroke segmentation challenge

Santiago Gómez, Daniel Mantilla+5 more|arXiv (Cornell University)|Sep 26, 2023

Acute Ischemic Stroke Management被引用数 4

ひとこと要約

APISは、虚血性ストローク病変分類のための、公開可能な最初のペアドCT-MRIデータセットを提供する。60例のトレーニングケースと36例のテストケースを含み、非対照的CT（NCCT）と効果拡散係数（ADC）MRIシーケンスが、2名の専門放射線科医によってアノテートされている。深層学習の先進的手法にもかかわらず、NCCT病変分類の最高DICEスコアは0.20にとどまり、補完的MRIガイダンスにもかかわらず、低コントラストの虚血性病変のCT検出における継続的な課題を示している。

ABSTRACT

Stroke is the second leading cause of mortality worldwide. Immediate attention and diagnosis play a crucial role regarding patient prognosis. The key to diagnosis consists in localizing and delineating brain lesions. Standard stroke examination protocols include the initial evaluation from a non-contrast CT scan to discriminate between hemorrhage and ischemia. However, non-contrast CTs may lack sensitivity in detecting subtle ischemic changes in the acute phase. As a result, complementary diffusion-weighted MRI studies are captured to provide valuable insights, allowing to recover and quantify stroke lesions. This work introduced APIS, the first paired public dataset with NCCT and ADC studies of acute ischemic stroke patients. APIS was presented as a challenge at the 20th IEEE International Symposium on Biomedical Imaging 2023, where researchers were invited to propose new computational strategies that leverage paired data and deal with lesion segmentation over CT sequences. Despite all the teams employing specialized deep learning tools, the results suggest that the ischemic stroke segmentation task from NCCT remains challenging. The annotated dataset remains accessible to the public upon registration, inviting the scientific community to deal with stroke characterization from NCCT but guided with paired DWI information.

研究の動機と目的

• 虚血性ストローク病変分類のための、公開可能なペアドCT-MRIデータセットの不足に対処すること。
• 補完的MRI（ADC）情報を活用することで、NCCTベースの病変分類における主観性を低減し、一般化性能を向上させること。
• コミュニティに、高感度のADCから低感度のNCCTスキャンへ病変知識を転送する計算モデルの開発を促すこと。
• ペアドモodalitiy表現から学習できる深層学習モデルを活用することで、迅速かつ正確なストローク診断を支援すること。

提案手法

• データセットには、トレーニング用に60例のペアドNCCTおよびADCスキャンが含まれ、2名の専門放射線科医による病変アノテーションが付与されている。
• 評価用に別個の36例のテストセットが使用され、NCCTを入力とし、専門家アノテーションを正例として用いた。
• 参加者はペアドデータでモデルを訓練する必要があったが、評価はNCCT入力のみで実施され、実臨床での展開を模擬した。
• チャレンジでは、標準的な指標（DICEスコアおよびハウスドルフ距離（HD））を用いてモデルを評価し、2名の専門家アノテーションと比較した。
• クロスモodalitiy知識転送の開発を奨励するフレームワークが採用され、ADCの所見がNCCT分類をガイドする仕組みとなった。
• モデルの一般化性能を評価するための検証プロトコルが実装され、専門家アノテーション間の評価者間一致度が分析された。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、高感度のADC-MRIから低感度のNCCTへ、虚血性ストローク分類のための病変情報を効果的に転送できるか？
• RQ2 ペアドMRIデータの導入は、NCCTベースの病変分類のロバスト性と正確性をどのように向上させるか？
• RQ3 複数の専門家アノテーションに対して評価された場合、NCCT分類モデルの一般化能力はどの程度か？
• RQ4 現在のアーキテクチャは、CTにおける低コントラスト・低密度虚血性病変の課題をどの程度克服できるか？
• RQ5 ADCデータから合成されたNCCTの生成は、病変検出感度を向上させることができるか？

主な発見

• 最高性能を示したモデルは、NCCT分類において2名の専門家に対してDICEスコア0.20を達成した。これはペアドデータを用いても性能が限定的であることを示している。
• ハウスドルフ距離（HD）スコアは、2名の専門家に対してそれぞれ67.68および64.91であり、病変境界予測における高い空間的誤差を確認した。
• ADCスキャンでは、最高DICEスコアが0.67および0.58に達しており、MRIが病変検出に対して高い感度を示していることが明らかになった。
• ADCとNCCTの性能差は、低コントラストおよび低密度の虚血性変化がCTで検出されにくいことの困難さを強調している。
• 登録された41チームのうち、有効な解決策を提出したのはわずか4チームにとどまり、このタスクが依然として極めて困難であることを示している。
• 結果から、現在の深層学習モデルはペアドデータからNCCT単体の推論へ一般化することが困難であることが示され、より優れたアーキテクチャ設計の必要性が浮き彫りになった。