[論文レビュー] The Brain Tumor Segmentation (BraTS) Challenge 2023: Brain MR Image Synthesis for Tumor Segmentation (BraSyn)

Hongwei Li, Gian Marco Conte+67 more|arXiv (Cornell University)|May 15, 2023

Advanced Neural Network Applications被引用数 10

ひとこと要約

この論文は BraSyn を紹介します。BraTS 2023 チャレンジは欠損MRIモダリティを合成して頑健な脳腫瘍セグメンテーションを可能にすることに焦点を当て、データセット、前処理、評価指標、ランキング戦略を詳述します。

ABSTRACT

Automated brain tumor segmentation methods have become well-established and reached performance levels offering clear clinical utility. These methods typically rely on four input magnetic resonance imaging (MRI) modalities: T1-weighted images with and without contrast enhancement, T2-weighted images, and FLAIR images. However, some sequences are often missing in clinical practice due to time constraints or image artifacts, such as patient motion. Consequently, the ability to substitute missing modalities and gain segmentation performance is highly desirable and necessary for the broader adoption of these algorithms in the clinical routine. In this work, we present the establishment of the Brain MR Image Synthesis Benchmark (BraSyn) in conjunction with the Medical Image Computing and Computer-Assisted Intervention (MICCAI) 2023. The primary objective of this challenge is to evaluate image synthesis methods that can realistically generate missing MRI modalities when multiple available images are provided. The ultimate aim is to facilitate automated brain tumor segmentation pipelines. The image dataset used in the benchmark is diverse and multi-modal, created through collaboration with various hospitals and research institutions.

研究の動機と目的

• 臨床現場で脳腫瘍セグメンテーションを支援するために欠損MRIモダリティの合成のモチベーションとベンチマークを確立する。
• モダリティ合成評価のために専門家が注釈した腫瘍サブリジョンを含む多様で複数施設からの mpMRI データセットを提供する。
• 公平な比較を可能にするための標準化された前処理、グラウンド truth 注釈、融合ベースのセグメンテーションラベルを定義する。
• 合成モダリティの画像リアリズムと下流のセグメンテーション有用性の両方を評価する評価指標とランキング戦略を提案する。

提案手法

• 4つの入力 MRI モダリティ（ T1, T1Gd, T2, T2-FLAIR ）を使用し、検証/テスト時にランダムに1つのモダリティをドロップして合成を評価する。
• 真のセグメンテーションはVASARI特徴に基づきET、ED、NCRを含み、最終注釈は神経放射線科医によって精査される。
• 前処理には DICOM から NIfTI 変換、SRI24 への共登録、1mm^3 へのリサンプリング、頭部除去を含む。ラベルは nnU-Net、DeepScan、DeepMedic の STAPLE によって融合され、専門家による精練を行う。
• 評価は、合成モダリティと実モダリティの腫瘍領域および健常脳領域内の SSIM と、3つの腫瘍構造に対する Dice スコアを用い、FeTS を用いたセグメンテーション。
• ランキングは、腫瘍構造の3つの Dice スコアと2つの SSIM スコアの5指標を等しく重みづけした順位和でテストケース全体を統合する。

実験結果

リサーチクエスチョン

• RQ1 合成された MRI モダリティは、下流の脳腫瘍セグメンテーションのための欠損シーケンスをどれだけ効果的に復元できるか？
• RQ2 完全なモダリティを使用する場合や合成なしの場合と比べて、合成モダリティはセグメンテーション性能を向上させるか？
• RQ3 複数施設の BraTS データにモダリティ合成を適用する際の画像品質とセグメンテーション有用性のトレードオフは何か？

主な発見

• BraSyn は、検証/テスト時に各被験者ごとに1つのモダリティをドロップして合成を検証する構造化評価を採用している。
• グラウンドトゥルー注釈は ET、ED、NCR を含み、専門家による精練で高品質ラベルを保証する。
• データセットは RSNA-ASNR-MICCAI BraTS 2021 データに基づき、標準化された前処理と多施設の多様性を特徴とする。
• 5つのランキング指標は SSIM と Dice スコアを組み合わせて全体性能を決定し、画像のリアリズムとセグメンテーション有用性のバランスを取る手法を優先する。
• 上位手法は、すべての指標とテストケースにわたる等しく重みづけされた順位和を用いてランク付けされる。）
• table_headers: []
• table_rows: []} } なお、table_headers および table_rows は空配列のままです。