[論文レビュー] FUSeg: The Foot Ulcer Segmentation Challenge

Chuanbo Wang, Amirreza Mahbod+5 more|arXiv (Cornell University)|Jan 2, 2022

Diabetic Foot Ulcer Assessment and Management被引用数 7

ひとこと要約

FUSegは、1,210枚の足潰瘍画像から構成される大規模で専門家がアノテートしたデータセットを提供し、自動化された創傷分離のベンチマークを実施する。このチャレンジでは、Dice係数を用いてプライベートなテストセット上でディープラーニングモデルを評価し、1,010枚のトレーニング画像と200枚のテスト画像を用いて、糖尿病性足部潰瘍における創傷分離の新しい基準を確立した。

ABSTRACT

Acute and chronic wounds with varying etiologies burden the healthcare systems economically. The advanced wound care market is estimated to reach $22 billion by 2024. Wound care professionals provide proper diagnosis and treatment with heavy reliance on images and image documentation. Segmentation of wound boundaries in images is a key component of the care and diagnosis protocol since it is important to estimate the area of the wound and provide quantitative measurement for the treatment. Unfortunately, this process is very time-consuming and requires a high level of expertise. Recently automatic wound segmentation methods based on deep learning have shown promising performance but require large datasets for training and it is unclear which methods perform better. To address these issues, we propose the Foot Ulcer Segmentation challenge (FUSeg) organized in conjunction with the 2021 International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI). We built a wound image dataset containing 1,210 foot ulcer images collected over 2 years from 889 patients. It is pixel-wise annotated by wound care experts and split into a training set with 1010 images and a testing set with 200 images for evaluation. Teams around the world developed automated methods to predict wound segmentations on the testing set of which annotations were kept private. The predictions were evaluated and ranked based on the average Dice coefficient. The FUSeg challenge remains an open challenge as a benchmark for wound segmentation after the conference.

研究の動機と目的

• 糖尿病性創傷ケアにおける、大規模で高品質で専門家がアノテートしたデータセットの不足に対処すること。
• 創傷面積の測定に要する時間と専門知識を削減するため、自動化された分離を実現すること。
• 標準化されたベンチマーク上で最先端のディープラーニングモデルを評価・比較すること。
• MICCAI 2021以降も継続的に利用可能な公開チャレンジを確立すること。
• 臨床現場における定量的で再現可能な創傷評価ツールの開発を支援すること。

提案手法

• 889名の患者から2年間にわたり、1,210枚の足潰瘍画像のデータセットを収集した。
• 創傷ケア専門家によるピクセル単位のアノテーションを実施し、1,010枚のトレーニング画像と200枚のテスト画像のセットを構築した。
• チャレンジはMICCAI 2021会議と併催され、プライベートなテストセットに対する予測が提出された。
• モデルの性能は主にDice係数を指標として評価された。
• 会議終了後もデータセットとチャレンジは公開され、継続的な研究とモデル比較が可能である。
• ディープラーニングモデルはトレーニングセットで学習され、推論時には真値にアクセスできないホールドアウトテストセットで評価された。

実験結果

リサーチクエスチョン

• RQ1 どのディープラーニングモデルが臨床画像からの足潰瘍分離において最も高い正確性を達成するか？
• RQ2 実世界のデータセットにおける多様な創傷の外観や患者の人口統計的特徴の違いによって、モデルの性能はどのように変化するか？
• RQ3 自動化された分離は、創傷面積の測定に要する時間と専門知識をどの程度削減できるか？
• RQ4 人間の専門家と最先端のモデルとの間には、創傷分離においてどの程度の性能ギャップが存在するか？
• RQ5 現在の分離モデルは、大規模で多様な実世界データセットに適用した場合、どの程度一般化可能か？

主な発見

• FUSegチャレンジは、1,210枚の専門家がアノテートした画像を用いた、足潰瘍分離の新しいベンチマークを確立した。
• トレーニングセットには1,010枚の画像、テストセットには200枚の画像が含まれており、アノテーションは評価のためのプライベートな状態を保ったまま保持された。
• モデルの性能は、分離精度の標準指標であるDice係数を用いて評価された。
• MICCAI 2021以降もチャレンジは公開されており、継続的な研究とモデル比較が可能である。
• このデータセットは、臨床現場における定量的で再現可能な創傷評価ツールの開発を支援する。
• 結果から、ディープラーニングが糖尿病性足部潰瘍ケアにおける創傷面積測定の自動化と標準化の可能性を示している。