[論文レビュー] The Brain Tumor Segmentation (BraTS-METS) Challenge 2023: Brain Metastasis Segmentation on Pre-treatment MRI

Ahmed W. Moawad, Anastasia Janas+230 more|arXiv (Cornell University)|Jun 1, 2023

Brain Tumor Detection and Classification被引用数 25

ひとこと要約

複数機関の BraTS-METS 2023 チャレンジは、事前治療 MRI における脳転移のセグメンテーションを8つのデータセットにわたり評価し、402 の注釈付き研究を公開し、FP/FN に対するペナルティを用いて病変ごとの性能を報告し、手法のベンチマークを行う。

ABSTRACT

The translation of AI-generated brain metastases (BM) segmentation into clinical practice relies heavily on diverse, high-quality annotated medical imaging datasets. The BraTS-METS 2023 challenge has gained momentum for testing and benchmarking algorithms using rigorously annotated internationally compiled real-world datasets. This study presents the results of the segmentation challenge and characterizes the challenging cases that impacted the performance of the winning algorithms. Untreated brain metastases on standard anatomic MRI sequences (T1, T2, FLAIR, T1PG) from eight contributed international datasets were annotated in stepwise method: published UNET algorithms, student, neuroradiologist, final approver neuroradiologist. Segmentations were ranked based on lesion-wise Dice and Hausdorff distance (HD95) scores. False positives (FP) and false negatives (FN) were rigorously penalized, receiving a score of 0 for Dice and a fixed penalty of 374 for HD95. Eight datasets comprising 1303 studies were annotated, with 402 studies (3076 lesions) released on Synapse as publicly available datasets to challenge competitors. Additionally, 31 studies (139 lesions) were held out for validation, and 59 studies (218 lesions) were used for testing. Segmentation accuracy was measured as rank across subjects, with the winning team achieving a LesionWise mean score of 7.9. Common errors among the leading teams included false negatives for small lesions and misregistration of masks in space.The BraTS-METS 2023 challenge successfully curated well-annotated, diverse datasets and identified common errors, facilitating the translation of BM segmentation across varied clinical environments and providing personalized volumetric reports to patients undergoing BM treatment.

研究の動機と目的

• 多様で注釈付きの実世界データセットを用いて、事前治療 MRI におけるAIベースの脳転移セグメンテーションを動機づけ、ベンチマークする。

提案手法

• 標準的な MRI シーケンスで未治療の脳転移を対象とする8つの国際データセットを、UNETベースの提案、学生アノテータ、神経放射線科医、そして神経放射線科医による最終承認を含む段階的なプロセスで注釈付けした。

実験結果

リサーチクエスチョン

• RQ1 多様なデータセットに渡る未治療の脳転移に対する病変ごとのセグメンテーション手法の性能はどうか？
• RQ2 偽陽性および偽陰性がセグメンテーションアルゴリズムのスコアリングとランキングにどのように影響するか？
• RQ3 この課題における最先端手法を制限する共通の誤り（例：小さな病変の見逃し、マスクのずれなど）は何か？
• RQ4 編成された公開アクセス可能なデータセットは、BM セグメンテーションを多様な臨床環境へ翻訳するのをどのように促進できるか？

主な発見

• 1303 の研究を含む8つのデータセットに注釈を付け、402 の研究（3076 病変）がチャレンジのために公開された。
• 検証のために31の研究（139病変）を、テストには59の研究（218病変）を保持した。
• セグメンテーションの精度は被験者ごとに病変ごとの Dice と HD95 でランキングされ、FP/FN ペナルティを適用した（Diceは0、HD95は374）。
• 優勝チームは LesionWise 平均スコア7.9 を達成した。
• 上位チームに共通する誤りには、小さな病変の偽陰性やマスクのずれが含まれていた。