[論文レビュー] Towards SAMBA: Segment Anything Model for Brain Tumor Segmentation in Sub-Sharan African Populations

Mohannad Barakat, Noha Magdy+5 more|arXiv (Cornell University)|Dec 19, 2023

COVID-19 diagnosis using AI被引用数 5

ひとこと要約

本稿では、アフリカ西部諸国における脳腫瘍画像診断に適応した、微調整されたセグメンテーション・アモーリー・モデル（SAM）であるSAMBAを提案する。BraTS-Africaデータセットを用い、バウンディングボックス誘導型プロンプトとマルチモーダル投票アンサンブルを活用することで、二値セグメンテーションで86.6、多クラスセグメンテーションで60.4のDiceスコアを達成し、高品質な画像データが限られる低リソース環境においても堅牢なソリューションを提供する。

ABSTRACT

Gliomas, the most prevalent primary brain tumors, require precise segmentation for diagnosis and treatment planning. However, this task poses significant challenges, particularly in the African population, were limited access to high-quality imaging data hampers algorithm performance. In this study, we propose an innovative approach combining the Segment Anything Model (SAM) and a voting network for multi-modal glioma segmentation. By fine-tuning SAM with bounding box-guided prompts (SAMBA), we adapt the model to the complexities of African datasets. Our ensemble strategy, utilizing multiple modalities and views, produces a robust consensus segmentation, addressing intra-tumoral heterogeneity. Although the low quality of scans presents difficulties, our methodology has the potential to profoundly impact clinical practice in resource-limited settings such as Africa, improving treatment decisions and advancing neuro-oncology research. Furthermore, successful application to other brain tumor types and lesions in the future holds promise for a broader transformation in neurological imaging, improving healthcare outcomes across all settings. This study was conducted on the Brain Tumor Segmentation (BraTS) Challenge Africa (BraTS-Africa) dataset, which provides a valuable resource for addressing challenges specific to resource-limited settings, particularly the African population, and facilitating the development of effective and more generalizable segmentation algorithms. To illustrate our approach's potential, our experiments on the BraTS-Africa dataset yielded compelling results, with SAM attaining a Dice coefficient of 86.6 for binary segmentation and 60.4 for multi-class segmentation.

研究の動機と目的

• サハラ以南アフリカの人口における脳腫瘍セグメンテーションのための高品質な神経画像データの不足に対処すること。
• 高価な画像診断機器や計算リソースが限られる環境でも、分類精度を向上させること。
• アフリカの医療環境で一般的な低品質なスキャンに適応可能な汎用的で堅牢なセグメンテーションフレームワークの開発。
• セグメンテーション・アモーリー・モデル（SAM）を活用し、プロンプトベースの適応によって大規模なアノテート済みデータセットへの依存を低減すること。
• AI駆動のセグメンテーションにより、代表的でない集団における膠芽腫のより正確な診断と治療計画立案を可能にすること。

提案手法

• サハラ以南アフリカの脳腫瘍MRIスキャンの特徴に適応するため、バウンディングボックス誘導型プロンプト（SAMBA）を用いてセグメンテーション・アモーリー・モデル（SAM）を微調整する。
• 異なる画像シーケンス（例：T1、T2、FLAIR、T1c）および視点間の予測を集約するためのマルチモーダルかつマルチビュー投票ネットワークを実装する。
• アンサンブル学習を用いて、腫瘍内異質性や低品質スキャンに起因する誤差を低減する一貫性のあるセグメンテーションを生成する。
• 最小限の人的入力で済むようにプロンプト工学を適用し、低リソースデータセットにおける性能向上を図る。
• BraTS-Africaデータセット（アフリカ患者のT1、T2、FLAIR、T1c MRIスキャンを収集したデータセット）を用いてモデルを訓練および評価する。
• 複数のモデル予測間での信頼度ベースの投票を用いた反復的マスクの最適化により、推論を最適化する。

実験結果

リサーチクエスチョン

• RQ1 限定的なアノテート済みデータのもとで、セグメンテーション・アモーリー・モデル（SAM）をサハラ以南アフリカの低リソース環境における脳腫瘍セグメンテーションに効果的に微調整できるか？
• RQ2 バウンディングボックス誘導型プロンプトは、BraTS-Africaデータセットの低品質なMRIスキャンにおいて、セグメンテーション性能をどのように向上させるか？
• RQ3 マルチモーダルかつマルチビューの投票アンサンブルは、腫瘍内異質性が顕著な状況下で、セグメンテーションの堅牢性と正確性をどの程度向上させるか？
• RQ4 大規模な再トレーニングや大規模なアノテーションを必要としないSAMベースのアプローチが、膠芽腫セグメンテーションで競争力のある性能を達成できるか？
• RQ5 SAMBAフレームワークは、リソース制約のある環境における他の脳腫瘍タイプや画像診断状況にもどの程度一般化可能か？

主な発見

• SAMBAは、BraTS-Africaデータセットにおいて、低品質なスキャンにもかかわらず、二値膠芽腫セグメンテーションで86.6のDice係数を達成し、優れた性能を示した。
• 多クラスセグメンテーションでは、60.4のDiceスコアを達成し、壊死性および活性成分などの腫瘍サブレジオンの効果的な区別が可能であった。
• 投票アンサンブル戦略により、特に組織コントラストが低くアーチファクトが目立つ領域で、セグメンテーションの一貫性が向上し、ノイズが低減した。
• バウンディングボックスプロンプトによるSAMの微調整により、完全に再トレーニングする必要なく、アフリカ患者スキャンの特徴に効果的に適応できた。
• 本手法は、高品質な画像が限られる臨床現場への導入に強く適した可能性を示しており、低リソース地域における神経腫瘍学分野におけるスケーラブルなソリューションを提供する。
• 結果から、SAMBAは膠芽腫にとどまらず、他の脳疾患や病変に対しても、神経画像診断分野における幅広い応用の基盤として機能可能であると示唆される。