[論文レビュー] BHSD: A 3D Multi-Class Brain Hemorrhage Segmentation Dataset

Biao Wu, Yutong Xie+7 more|arXiv (Cornell University)|Aug 22, 2023

Intracerebral and Subarachnoid Hemorrhage Research被引用数 6

ひとこと要約

本稿では、5種類のICHタイプ（EDH、SDH、SAH、IPH、IVH）を対象とした、ピクセルレベルのアノテーションを備えた192体積、スライスレベルのアノテーションを備えた2200スライスを含む3次元マルチクラス脳内出血（ICH）分類データセット、BHSDを紹介する。このデータセットは、マルチクラス分類における最先端の性能を実現し、単一クラスモデルの統合を上回り、ラベルなしデータを用いた半教師付き学習によって顕著な向上を示す。

ABSTRACT

Intracranial hemorrhage (ICH) is a pathological condition characterized by bleeding inside the skull or brain, which can be attributed to various factors. Identifying, localizing and quantifying ICH has important clinical implications, in a bleed-dependent manner. While deep learning techniques are widely used in medical image segmentation and have been applied to the ICH segmentation task, existing public ICH datasets do not support the multi-class segmentation problem. To address this, we develop the Brain Hemorrhage Segmentation Dataset (BHSD), which provides a 3D multi-class ICH dataset containing 192 volumes with pixel-level annotations and 2200 volumes with slice-level annotations across five categories of ICH. To demonstrate the utility of the dataset, we formulate a series of supervised and semi-supervised ICH segmentation tasks. We provide experimental results with state-of-the-art models as reference benchmarks for further model developments and evaluations on this dataset.

研究の動機と目的

• ピクセルレベルのアノテーションを可能にする公開の3次元マルチクラスICH分類データセットが不足しているという問題に対処すること。
• 高品質で専門家がアノテートしたCTスキャンを用いて、正確でクラス固有のICH分類を実現する深層学習モデルの性能を向上させること。
• ラベルなしおよび非出血性スキャンを訓練データに含めることによる分類性能への影響を評価すること。
• 標準化されたマルチクラスICH分類タスクにおいて、教師ありおよび半教師付き学習手法をベンチマークすること。
• 神経画像診断支援ツールの今後の開発のための包括的ベンチマークを提供すること。

提案手法

• 匿名化された患者識別子とDICOM位置メタデータを用いて、RSNA 2019データセットから再構築した3次元頭部CTスキャンを用い、空間的連続性を回復した。
• RSNAデータセットに既存のスライスレベルの出血アノテーションを再構築した3次元ボリュームにマッピングした。
• 専門家による検証を経たマルチクラスピクセルレベルアノテーションを、5種類のICHタイプ（EDH、SDH、SAH、IPH、IVH）の192体積のサブセットに対して実施した。
• 出血性および非出血性の両方の症例を含む合計2192体積の多様なセットを用いて、モデルの汎化性能を向上させた。
• nnU-Netを含む最先端のモデルを用いて、教師ありおよび半教師付きの訓練プロトコルを適用し、Mean Teacher、クロス疑似監視（CPS）、エントロピー最小化、補間一貫性などの手法を用いた。
• Dice類似係数（DSC）を用いて性能を評価し、マルチクラスモデルを単一クラスモデルの統合と比較し、教師ありベースラインと比較した。

実験結果

リサーチクエスチョン

• RQ1 3次元マルチクラスICH分類データセットは、単一クラス分類アプローチと比較して、最先端の深層学習モデルの性能を顕著に向上させることができるか？
• RQ2 訓練データに非出血性スキャンを組み込むことで、ICHモデルの分類性能が向上するか？
• RQ3 ピクセルレベルのアノテーションがわずかにしか存在しない状況で、半教師付き学習手法がどの程度モデル性能を向上させられるか？
• RQ4 BHSDデータセット上で、5つの単一クラスモデルの統合と、1つのマルチクラスモデルを同時に学習させた場合、どちらが優れているか？
• RQ5 異なる半教師付き学習戦略が、バイナリおよびマルチクラスICH分類タスクに与える影響は何か？

主な発見

• 単一のマルチクラスモデルは、平均DSCが29.44%を達成し、単一クラスモデルの統合手法（平均DSC 19.68%）を顕著に上回った。
• クロス疑似監視（CPS）手法が、半教師付き手法の中で最高の性能を示し、500個のラベルなしスキャンを用いたバイナリ分類タスクでDSC 49.50%を達成した。
• 非出血性スキャンを訓練データに組み込むことでモデル性能が向上したが、分類精度に悪影響を及けるおそれがあるため、バランスの取れた処理が不可欠であった。
• 5つの単一クラスモデルの統合は、顕著な重複と矛盾した予測を引き起こし、マルチクラス分類においてこの手法が非効率であることを示した。
• BHSDデータセットは、特に後処理による統合ではなく、エンドツーエンドのマルチクラス学習を用いることで、マルチクラスICH分類における顕著な性能向上を可能にした。
• 特にCPSを用いた半教師付き学習手法は、ピクセルレベルのアノテーションが限られた状況でも、分類性能の向上に強く期待できることが示され、臨床現場における弱いラベル付きデータの有用性を浮き彫りにした。