[논문 리뷰] AMOS: A Large-Scale Abdominal Multi-Organ Benchmark for Versatile Medical Image Segmentation

Yuanfeng Ji, Haotian Bai외 9명|arXiv (Cornell University)|2022. 06. 16.

Radiomics and Machine Learning in Medical Imaging인용 수 199

한 줄 요약

AMOS는 15개 기관에 대한 보자이드 수준 주석이 포함된 대규모 다양성의 복부 CT/MRI 데이터세트를 제공하여 강력한 다기관 분할 및 교차 도메인 평가를 가능하게 합니다. 현재 방법을 벤치마크하고 OOD 일반화, 교차 모달리티 학습 및 전이 학습에 대한 데이터세트의 활용을 보여줍니다.

ABSTRACT

Despite the considerable progress in automatic abdominal multi-organ segmentation from CT/MRI scans in recent years, a comprehensive evaluation of the models' capabilities is hampered by the lack of a large-scale benchmark from diverse clinical scenarios. Constraint by the high cost of collecting and labeling 3D medical data, most of the deep learning models to date are driven by datasets with a limited number of organs of interest or samples, which still limits the power of modern deep models and makes it difficult to provide a fully comprehensive and fair estimate of various methods. To mitigate the limitations, we present AMOS, a large-scale, diverse, clinical dataset for abdominal organ segmentation. AMOS provides 500 CT and 100 MRI scans collected from multi-center, multi-vendor, multi-modality, multi-phase, multi-disease patients, each with voxel-level annotations of 15 abdominal organs, providing challenging examples and test-bed for studying robust segmentation algorithms under diverse targets and scenarios. We further benchmark several state-of-the-art medical segmentation models to evaluate the status of the existing methods on this new challenging dataset. We have made our datasets, benchmark servers, and baselines publicly available, and hope to inspire future research. Information can be found at https://amos22.grand-challenge.org.

연구 동기 및 목표

• 실제 임상 가변성을 반영하는 대규모의 다양하고 포괄적인 복부 분할 벤치마크의 부족을 해결한다.
• 다중 모달(CT 및 MRI), 다중 센터, 다중 스캐너, 다중 단계, 다중 질병의 밀집된 장기 주석 데이터를 제공한다.
• AMOS에서 최첨단 분할 모델을 벤치마크하여 현재의 한계와 강건성을 평가한다.
• AMOS의 다목적성(분할 외 작업 포함), 예를 들어 OOD 일반화, 교차 모달리티 학습, 전이 학습의 활용 가능성을 보여준다.

제안 방법

• 두 개의 임상 센터와 여러 스캐너에서 15개 기관의 보자이드 수준 주석이 포함된 대규모 다양성 복부 데이터세트(CT 및 MRI)를 큐레이션한다.
• 사전 학습된 분절기에서 얻은 대략 라벨에 이어 주니어 및 시니어 방사선과의 반복적 정제를 통해 품질을 보장하는 반자동 주석 워크플로우를 사용한다.
• 스캐너 간의 ID(ot distribution 포함) 평가를 포함하는 데이터 분할을 정의하여 도메인 강건성을 측정한다.
• AMOS-CT 및 AMOS-MRI에서 6개의 벤치마스(CNN, Transformer, 하이브리드 방법)를 표준 지표(Dice 및 NSD)로 벤치마크하고 모델의 효율성(매개변수 및 FLOPs)을 보고한다.
• AMOS를 통해 교차 모달리티 학습, 전이 학습, 프라이버시 보존/연합 학습 설정 등 AMOS가 가능하게 하는 확장 작업을 탐구한다.
• 데이터세트, 벤치마크 서버, 벤치마크를 대중에게 공개하여 커뮤니티의 연구를 촉진한다.

실험 결과

연구 질문

• RQ1 대규모의 다양하고 15개 기관의 CT 및 MRI 모달리티를 포함하는 데이터세트에서 최첨단 복부 다기관 분할이 어떻게 수행되는가?
• RQ2 도메인 시프트(다른 스캐너/벤더)에 따른 분할 성능에 어떤 영향이 있으며, AMOS가 강건한 OOD 일반화 연구를 가능하게 하는가?
• RQ3 교차 모달리티 학습(CT와 MRI)이 각 모달리티의 분할 성능을 향상시킬 수 있는가?
• RQ4 AMOS에서의 사전 학습 표현이 외부 복부 분할 작업으로의 전이 학습에 이점을 제공하는가?
• RQ5 데이터 다양성과 주석 품질이 AMOS의 모델 학습에 미치는 영향은 무엇인가?

주요 결과

• AMOS는 600개의 스캔(500 CT 및 100 MRI)과 15개의 복부 기관에 걸친 74,026개의 주석된 슬라이스를 포함하여 지금까지 가장 크고 가장 다양한 복부 분할 벤치마크로서의 위치를 확보합니다.
• 베이스라인 실험은 단순한 UNet 유사 모델이 AMOS에서 더 새롭고강력한 아키텍처를 능가할 수 있음을 시사하며, Transformer 기반 방법은 이 데이터세트 설정에서 일관되게 CNN 기반 모델을 능가하지는 못합니다.
• ID와 OOD 테스트 데이터 간의 성능 격차가 두드러지며, 특히 AMOS-MRI에서 도메인 시프트 도전을 강조합니다.
• 교차 모달리티 학습(CT+MRI 동시 학습)은 단일 모달리티 학습보다 일관된 성능 향상을 제공하며, CT와 MRI 간의 보완 정보가 분할 성능을 향상시킵니다.
• AMOS에서의 사전 학습은 여러 벤치마크에서 관련 복부 분할 작업에 전이 가능한 이점을 제공하지만, 이점은 대상 도메인 및 모달리에 따라 다릅니다.
• AMOS는 일반화, 교차 모달리티 학습 및 전이 학습의 강건한 평가를 가능하게 하며, 실제 임상 시나리오에 대한 다재다능한 벤치마크로서의 잠재력을 강조합니다.