[論文レビュー] The ASNR-MICCAI Brain Tumor Segmentation (BraTS) Challenge 2023: Intracranial Meningioma

Dominic LaBella, Maruf Adewole+58 more|arXiv (Cornell University)|May 12, 2023

Meningioma and schwannoma management被引用数 22

ひとこと要約

本論文は、多パラメトリック MRI における自動頭蓋内髄膜腫分割の BraTS 2023 チャレンジを説明し、サブ領域、データ収集、前処理、注釈ワークフロー、最先端モデルを評価するための指標を概説します。

ABSTRACT

Meningiomas are the most common primary intracranial tumor in adults and can be associated with significant morbidity and mortality. Radiologists, neurosurgeons, neuro-oncologists, and radiation oncologists rely on multiparametric MRI (mpMRI) for diagnosis, treatment planning, and longitudinal treatment monitoring; yet automated, objective, and quantitative tools for non-invasive assessment of meningiomas on mpMRI are lacking. The BraTS meningioma 2023 challenge will provide a community standard and benchmark for state-of-the-art automated intracranial meningioma segmentation models based on the largest expert annotated multilabel meningioma mpMRI dataset to date. Challenge competitors will develop automated segmentation models to predict three distinct meningioma sub-regions on MRI including enhancing tumor, non-enhancing tumor core, and surrounding nonenhancing T2/FLAIR hyperintensity. Models will be evaluated on separate validation and held-out test datasets using standardized metrics utilized across the BraTS 2023 series of challenges including the Dice similarity coefficient and Hausdorff distance. The models developed during the course of this challenge will aid in incorporation of automated meningioma MRI segmentation into clinical practice, which will ultimately improve care of patients with meningioma.

研究の動機と目的

• 多パラメトリック MRI における自動頭蓋内髄膜腫分割のためのコミュニティ標準とベンチマークを提供する。
• 堅牢なモデル学習のために、異なる腫瘍サブ領域を含む大規模で専門家が注釈した複数拠点データセットを作成する。
• 手術計画、放射線治療、および経時的モニタリングを支援する汎用可能な分割モデルを促進する。

提案手法

• 非重複の3つの分割ラベルを定義する: 増強腫瘍、非増強腫瘍核、浮腫（SNFH）。
• 術前・治療前ケースを含む大規模な多施設 mpMRI データセットを構築し、T1Gd、T1、T2、FLAIR シーケンスを含める。
• 標準化された前処理を適用する（DICOM から NIfTI、SRI24 空間への共登録、1 mm 等方分解像度へリサンプリング、頭部除去）。
• 自動的な多部位前分割のために nnU-Net ベースの前分割モデルを使用し、注釈者と専門家承認者のレビューによる手動修正を行う。
• 注釈者のガイダンスを提供し、一貫性を高めるために一般的な自動分割エラーを文書化する。

実験結果

リサーチクエスチョン

• RQ1 複数施設にまたがる mpMRI における自動多部位髄膜腫分割の実現可能性と精度はどの程度か。
• RQ2 専門家の注釈を伴う大規模で多様なデータセットは、髄膜腫の増強腫瘍、非増強核、浮腫領域の一般化可能なモデルを生み出すか。
• RQ3 サイト間での前分割バイアスを、反復再学習と人間の介入による修正を通じてどう軽減できるか。
• RQ4 自動髄膜腫分割が手術計画と放射線治療に与える潜在的な臨床応用は何か。
• RQ5 BraTS 髄膜腫チャレンジをより広い臨床シナリオへ拡張する際の制限と今後の方向性は何か。

主な発見

• チャレンジは3つの非重複ラベルを定義する: 増強腫瘍、非増強腫瘍核、浮腫（SNFH）。
• データは16拠点から収集され、全体で約1,650件のケースを含み、複数のシーケンスを備えた術前 mpMRI をカバーする。
• 前処理には共通アトラスへの共登録、頭部除去、FeTS ツールによる1 mm 等方リサンプリングが含まれる。
• 自動 nnU-Net 前分割モデルを用い、一般化可能性を高めるために手動修正を繰り返し再訓練する。
• 手動修正ワークフローは ITK-SNAP を用い、承認者レビューを行い、インタオブザーバー変動を低減してラベル品質を保証する。