[論文レビュー] fastMRI+: Clinical Pathology Annotations for Knee and Brain Fully Sampled Multi-Coil MRI Data

Ruiyang Zhao, Burhaneddin Yaman+8 more|arXiv (Cornell University)|Sep 8, 2021

Medical Imaging Techniques and Applications参考文献 11被引用数 15

ひとこと要約

本論文は、臨床的アノテーションを施したfastMRIデータセットの拡張版であるfastMRI+を紹介している。膝MRIでは22の病変カテゴリについて16,154件の専門家検証済みバウンディングボックスアノテーションと13件の研究レベルのラベルを、頭部MRIでは30の病変カテゴリについて7,570件のバウンディングボックスアノテーションと643件の研究レベルのラベルを提供している。このデータセットにより、臨床的意義のある病変を伴う磁気共鳴画像法（MRI）再構成におけるディープラーニング研究が可能となり、診断に配慮した画像再構成モデルの開発が進展する。

ABSTRACT

Improving speed and image quality of Magnetic Resonance Imaging (MRI) via novel reconstruction approaches remains one of the highest impact applications for deep learning in medical imaging. The fastMRI dataset, unique in that it contains large volumes of raw MRI data, has enabled significant advances in accelerating MRI using deep learning-based reconstruction methods. While the impact of the fastMRI dataset on the field of medical imaging is unquestioned, the dataset currently lacks clinical expert pathology annotations, critical to addressing clinically relevant reconstruction frameworks and exploring important questions regarding rendering of specific pathology using such novel approaches. This work introduces fastMRI+, which consists of 16154 subspecialist expert bounding box annotations and 13 study-level labels for 22 different pathology categories on the fastMRI knee dataset, and 7570 subspecialist expert bounding box annotations and 643 study-level labels for 30 different pathology categories for the fastMRI brain dataset. The fastMRI+ dataset is open access and aims to support further research and advancement of medical imaging in MRI reconstruction and beyond.

研究の動機と目的

• fastMRIデータセットに臨床的病変アノテーションが不足しているという問題に対処し、臨床的意義のあるMRI再構成手法の開発を制限している要因を解消すること。
• 専門家検証済みの病変ラベルを組み込むことで、ディープラーニングモデルが画像品質だけでなく診断の正確性についても学習できるようにすること。
• 臨床的に重要な病変の可視性を保持または向上させるMRI再構成に関する研究を支援すること。
• サブスペシャリストレントゲン放射線科医によってアノテートされたオープンアクセス、マルチコイル、完全にサンプリングされたMRIデータをfastMRIデータセットに拡張すること。
• 高速かつ正確であるだけでなく、診断的に信頼性のある再構成フレームワークの開発を促進すること。

提案手法

• 著者は、膝および頭部スキャンのfastMRIデータセットから完全にサンプリングされたマルチコイルMRIデータを収集・キュレーションした。
• サブスペシャリストレントゲン放射線科医が、膝および頭部MRIスキャンの両方において、病変の局所化にバウンディングボックスを用いて手動でアノテーションを行った。
• 各スキャンは、22（膝）および30（頭部）の特定病変の存在または非存在を示す研究レベルの病変ラベルが付与された。
• 複数の専門家リーダーによる一貫性および正確性の検証を通じて、アノテーションの臨床的信頼性が確保された。
• 研究の再現性を支援するため、データセットはオープンアクセスとして公開された。
• データ構造は、下流タスクにおけるインスタンスレベル（バウンディングボックス）および研究レベル（診断ラベル）の両方の分析を可能としている。

実験結果

リサーチクエスチョン

• RQ1 fastMRI+で訓練されたディープラーニングモデルは、高速化されたMRI再構成において臨床的意義のある病変の検出を改善できるか？
• RQ2 専門家アノテート済みの病変ラベルの組み込みが、診断的特徴を保持するMRI再構成モデルの性能にどのように影響するか？
• RQ3 膝および頭部MRIにおける異なる病変カテゴリは、病変に配慮した再構成フレームワークからどの程度恩恵を受けるか？
• RQ4 病変が存在する場合、再構成画像の品質と診断的自信の相関関係はどの程度か？
• RQ5 fastMRI+データセットは、新しいMRI再構成アルゴリズムの臨床的意義を評価するベンチマークとして機能できるか？

主な発見

• fastMRI+データセットには、膝MRIの22の病変カテゴリについて16,154件のサブスペシャリスト検証済みバウンディングボックスアノテーション、頭部MRIの30の病変カテゴリについて7,570件の同様のアノテーションが含まれている。
• 膝MRIには13件の研究レベルのラベル、頭部MRIには643件の研究レベルのラベルが含まれており、再構成モデルの診断レベル評価が可能である。
• すべてのアノテーションはサブスペシャリストレントゲン放射線科医によって行われ、高い臨床的意義と診断的正確性が保証されている。
• データセットは完全にオープンアクセスであり、MRI再構成および病変検出分野における再現性のある研究とベンチマークの支援が可能である。
• インスタンスレベルおよび研究レベルの両方のラベルの組み込みにより、病変の検出および保持におけるモデル性能のマルチスケール評価が可能である。
• このデータセットにより、高速かつ正確であるだけでなく、診断的に信頼できる再構成モデルを開発するための新しい研究分野が可能になる。