[논문 리뷰] A Bibliography of Multiple Sclerosis Lesions Detection Methods using Brain MRIs

Atif Shah, Maged S. Al-Shaibani외 2명|arXiv (Cornell University)|2023. 02. 19.

Brain Tumor Detection and Classification인용 수 4

한 줄 요약

이 논문은 뇌 MRI에서 다발성 경화증(MS) 병변 탐지에 관한 241篇의 문헌을 종합적으로 검토한 참고문헌 검토이며, 방법을 여섯 가지 그룹으로 분류한다: 데이터 기반, 통계적, 지도 학습 기반 기계학습, 비지도 학습, 퍼지, 딥 러닝. 딥 러닝 방법이 이제 다른 방법들을 앞서며 최고 성능 모델에서 DSC가 0.8를 초과하는 것으로 나타났고, 향후 연구를 위한 핵심 연구 격차를 규명하였다.

ABSTRACT

Introduction: Multiple Sclerosis (MS) is a chronic disease that affects millions of people across the globe. MS can critically affect different organs of the central nervous system such as the eyes, the spinal cord, and the brain. Background: To help physicians in diagnosing MS lesions, computer-aided methods are widely used. In this regard, a considerable research has been carried out in the area of automatic detection and segmentation of MS lesions in magnetic resonance images (MRIs). Methodology: In this study, we review the different approaches that have been used in computer-aided detection and segmentation of MS lesions. Our review resulted in categorizing MS lesion segmentation approaches into six broad categories: data-driven, statistical, supervised machine learning, unsupervised machine learning, fuzzy, and deep learning-based techniques. We critically analyze the different techniques under these approaches and highlight their strengths and weaknesses. Results: From the study, we observe that a considerable amount of work, around 25% of related literature, is focused on statistical-based MS lesion segmentation techniques, followed by 21.15% for data-driven based methods, 19.23% for deep learning and 15.38% for supervised methods. Implication: The study points out the challenges/gaps to be addressed in future research. The study shows the work which has been done in last one decade in detection and segmentation of MS lesions. The results show that, in recent years, deep learning methods are outperforming all the others methods.

연구 동기 및 목표

• 뇌 MRI에서 다발성 경화증(MS) 병변 탐지를 위한 기존의 컴퓨터 지원 진단(CAD) 방법을 체계적으로 검토하고 분류하는 것.
• 2005년에서 2020년 사이에 MS 병변 분할에 있어 지배적인 방법론적 추세를 규명하는 것.
• 표준화된 지표(예: DSC)를 사용하여 다양한 접근 방식—특히 딥 러닝—의 성능을 평가하는 것.
• 향후 MS-CAD 시스템의 개선을 위해 현재 방법론의 한계와 연구 격차를 부각하는 것.
• 다양한 데이터셋과 임상 환경에서 MS 병변 탐지 기법을 평가하고 비교할 수 있는 체계적인 프레임워크를 제공하는 것.

제안 방법

• IEEE Xplore, PubMed, Google Scholar, Scopus 등의 데이터베이스를 활용하여 2005년 1월부터 2020년 12월까지의 출판물에 대해 체계적인 문헌 검토를 수행하였다.
• 방법은 여섯 가지 범주로 분류되었다: 데이터 기반, 통계적, 지도 학습 기반 기계학습, 비지도 학습 기반 기계학습, 퍼지 논리, 딥 러닝 기반 기법.
• 성능 평가는 표준 분할 지표에 중점을 두었으며, DSC, 민감도(Sen), 특이도(Spec), 양성 예측도(PPV), 위양성률(FPR)을 포함하였다.
• 총 241篇의 논문을 포함하였으며, 공개(예: ISBI 2015) 및 비공개 데이터셋에서 정량적 결과를 보고한 24篇의 대표적 논문을 심층 분석하였다.
• 딥 러닝 모델, 특히 3D-CNN, U-Net 아키텍처, GAN 기반 프레임워크는 병변 수준과 볼륨 수준에서 병변 탐지 능력을 분석하였다.
• 통계적 및 데이터 기반 방법은 강도 모델링과 공간 사전 지식에 대한 의존도를 평가하였으며, 퍼지 및 지도 학습 방법은 강건성과 일반화 능력에 대해 평가하였다.

Figure 1: MS papers statistics for period of 2001 - 2020

실험 결과

연구 질문

• RQ1 2005년에서 2020년 사이에 뇌 MRI에서 자동으로 MS 병변을 탐지하는 데 사용된 지배적인 방법론적 접근 방식은 무엇인가요?
• RQ2 특히 딥 러닝을 포함한 다양한 방법군 간에 DSC, 민감도, PPV 등의 성능 지표에서의 성능 비교는 어떻게 이루어지나요?
• RQ3 MS 병변 분할 연구에서 가장 흔히 사용되는 데이터셋은 무엇이며, 모델 성능은 이들 간에 어떻게 달라지나요?
• RQ4 현재의 MS 병변 탐지 시스템에서 임상 적용 가능성과 일반화 능력 측면에서의 주요 한계와 연구 격차는 무엇인가요?
• RQ5 딥 러닝 모델이 뇌 MRI에서 MS 병변을 탐지하는 데 기존 방법들을 얼마나 뛰어넘었나요?

주요 결과

• 딥 러닝 방법은 검토된 문헌의 19.23%를 차지하며 가장 효과적인 접근 방식으로 부상하였으며, 비공개 데이터셋에서 최고 성능 모델이 DSC 0.83을 기록하였다.
• 가장 높은 성능을 보인 모델(Salem 등, 2020)은 60명의 환자 데이터셋을 사용하여 DSC 0.83, 민감도 83.09%, FPR 9.36%를 기록하였다. 이는 완전 컨볼루션 신경망(FCNN)을 사용하였다.
• ISBI 2015 데이터셋에서 Aslani 등(2019)은 DSC 0.7067을 보고하였고, Gabr 등(2019)은 백질에 대해 DSC 0.95, 회색질에 대해 DSC 0.96를 달성하였다.
• 통계 기반 방법이 가장 흔히 사용되었으며(문헌의 25%), 이어 데이터 기반(21.15%) 및 지도 학습(15.38%) 방법이 뒤이었다.
• 일부 데이터셋에서는 높은 성능를 기록했지만, 일반화 능력 측면에서 변동성이 있었으며, 예를 들어 Krüger 등(2020)은 취리히 데이터셋에서 DSC 0.39를 기록하여 실제 임상 적용 시의 과제를 보여주었다.
• 표준화된 벤치마킹과 일관된 평가의 부족함이 드러나며, 향후 연구에서 통합된 검증 프레임워크 개발을 위한 주요 격차로 지적되었다.

Figure 2: Different types of MRI’s