[論文レビュー] SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms

Soumick Chatterjee, Hendrik Mattern+46 more|arXiv (Cornell University)|Nov 14, 2024

Cerebrovascular and Carotid Artery DiseasesMedicine被引用数 3

ひとこと要約

本論文は、超高解像度7T MRIアンジオグラムを用いた深層学習を用いた、中間スケール脳血管（100–500 µm）のセグメンテーションのためのベンチマーク、SMILE-UHURAチャレンジを紹介する。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、16種類の手法を評価した結果、保留テストデータで最高0.838のDiceスコアを達成し、高いノイズと低コントラストという課題にもかかわらず、中間スケールでの頑健な血管セグメンテーションの可能性を示した。

ABSTRACT

The human brain receives nutrients and oxygen through an intricate network of blood vessels. Pathology affecting small vessels, at the mesoscopic scale, represents a critical vulnerability within the cerebral blood supply and can lead to severe conditions, such as Cerebral Small Vessel Diseases. The advent of 7 Tesla MRI systems has enabled the acquisition of higher spatial resolution images, making it possible to visualise such vessels in the brain. However, the lack of publicly available annotated datasets has impeded the development of robust, machine learning-driven segmentation algorithms. To address this, the SMILE-UHURA challenge was organised. This challenge, held in conjunction with the ISBI 2023, in Cartagena de Indias, Colombia, aimed to provide a platform for researchers working on related topics. The SMILE-UHURA challenge addresses the gap in publicly available annotated datasets by providing an annotated dataset of Time-of-Flight angiography acquired with 7T MRI. This dataset was created through a combination of automated pre-segmentation and extensive manual refinement. In this manuscript, sixteen submitted methods and two baseline methods are compared both quantitatively and qualitatively on two different datasets: held-out test MRAs from the same dataset as the training data (with labels kept secret) and a separate 7T ToF MRA dataset where both input volumes and labels are kept secret. The results demonstrate that most of the submitted deep learning methods, trained on the provided training dataset, achieved reliable segmentation performance. Dice scores reached up to 0.838 $\pm$ 0.066 and 0.716 $\pm$ 0.125 on the respective datasets, with an average performance of up to 0.804 $\pm$ 0.15.

研究の動機と目的

• 7T MRIにおける中間スケール血管セグメンテーションのための公開可能で高品質なアノテート済みデータセットの不足に対処すること。
• 超高解像度7T時間飛行MRAにおいて、困難なノイズと低コントラストを伴う状況下で深層学習手法を評価すること。
• 人間脳血管における中間スケール（100–500 µm）の小血管セグメンテーションのベンチマークを確立すること。
• 保留テストデータと性質が不明な別々の秘匿データセットの両方で、多様な手法の性能を比較すること。
• セグメンテーションモデルにおける細かい血管の詳細の捉え具合とノイズのない出力品質との間のトレードオフを浮き彫りにすること。

提案手法

• チャレンジでは、3次元U-Netベースのベースラインと、マルチスケール・マルチリゾリューションU-Net（DS6）を参照モデルとして用いた。
• 自動的プリセグメンテーションを経て、専門家レーティングによる広範な手動修正を経た、大規模で高解像度の7T時間飛行MRAデータセットが作成された。
• 手法は公開トレーニングセットで学習され、2つのテストセットで評価された：ラベルが既知の（保留）テストセットと、入力とラベルが秘匿された（秘匿データセット）テストセット。
• 評価にはDiceスコア、ハウスドルフ距離、および細かい血管セグメンテーションとノイズのない出力品質に関する専門家評価が用いられた。
• データセットには、150 µmまで細かい等方的解像度を持つボリュームが含まれており、中間スケールの血管の可視化を可能にしている。
• 一般化性とロバストネスをテストするために、解像度を2倍にした別個の高解像度チャレンジボリュームが使用された。

実験結果

リサーチクエスチョン

• RQ1 高いノイズと悪いコントラストにもかかわらず、深層学習モデルは超高解像度7T MRAにおいて中間スケール脳血管の信頼性の高いセグメンテーションを達成できるか？
• RQ2 異なるアーキテクチャとプリプロセッシング戦略は、保留テストセットおよび秘匿テストセットにおいて、Diceスコアとノイズ耐性の観点でどのように比較されるか？
• RQ3 細かい血管の詳細の捉え具合とクリアでノイズのないセグメンテーション出力品質との間には、どのようなトレードオフがあるか？
• RQ4 解像度や画像特性が異なるデータセット間で、モデルの一般化能力はどの程度達成されるか？
• RQ5 臨床的関連性の評価において、専門家評価はDiceスコアやハウスドルフ距離といった定量的指標とどの程度相関しているか？

主な発見

• 最高性能を示した手法は、保留テストセットで0.838 ± 0.066のDiceスコアを達成し、高いセグメンテーション精度を示した。
• 秘匿データセットでは、トップ手法が0.716 ± 0.125のDiceスコアを達成し、未知の高ノイズデータでも優れた性能を示した。
• 全手法の平均Diceスコアは0.804 ± 0.15であり、多様なアーキテクチャにおいて一貫した高い性能が確認された。
• Koala Manual手法は、秘匿データセットにおける細かい血管セグメンテーションの専門家評価で最高の4.0 ± 1.0を獲得したが、ノイズのない出力スコアは低く1.0 ± 1.5であった。これは、ノイズを伴う詳細な表現を実現したが、出力がノイズが多いことを示している。
• ベースラインモデル（UNet MSSおよびDS6）は、両方のデータセットおよび評価基準において強く一貫した性能を示し、頑健なベンチマークとして機能した。
• 専門家評価から、トレードオフが明らかになった：細かい血管の捉え具合に優れる手法（例：Koala Manual）はしばしばノイズの多い出力を示し、逆にクリアな出力を得るモデルは詳細を犠牲にした。