[논문 리뷰] APIS: A paired CT-MRI dataset for ischemic stroke segmentation challenge

Santiago Gómez, Daniel Mantilla외 5명|arXiv (Cornell University)|2023. 09. 26.

Acute Ischemic Stroke Management인용 수 4

한 줄 요약

APIS는 뇌경색 병변 분할을 위한 공개된 첫 번째 쌍체 CT-MRI 데이터셋을 소개한다. 이 데이터셋은 비대조 CT(비대조CT, NCCT)와 영역 확산 계수(MRI 시퀀스, ADC)를 포함하며, 두 명의 전문 방사선의가 병변을 주석 처리한 60개의 학습 케이스와 36개의 테스트 케이스를 포함한다. 고도로 발전된 딥 러닝 접근법에도 불구하고, 비대조CT 병변 분할의 최고 DICE 스코어는 단지 0.20에 불과하여, 보완적인 MRI 가이던스가 있음에도 불구하고 저대비 뇌경색 병변이 CT에서 여전히 도전적인 문제임을 시사한다.

ABSTRACT

Stroke is the second leading cause of mortality worldwide. Immediate attention and diagnosis play a crucial role regarding patient prognosis. The key to diagnosis consists in localizing and delineating brain lesions. Standard stroke examination protocols include the initial evaluation from a non-contrast CT scan to discriminate between hemorrhage and ischemia. However, non-contrast CTs may lack sensitivity in detecting subtle ischemic changes in the acute phase. As a result, complementary diffusion-weighted MRI studies are captured to provide valuable insights, allowing to recover and quantify stroke lesions. This work introduced APIS, the first paired public dataset with NCCT and ADC studies of acute ischemic stroke patients. APIS was presented as a challenge at the 20th IEEE International Symposium on Biomedical Imaging 2023, where researchers were invited to propose new computational strategies that leverage paired data and deal with lesion segmentation over CT sequences. Despite all the teams employing specialized deep learning tools, the results suggest that the ischemic stroke segmentation task from NCCT remains challenging. The annotated dataset remains accessible to the public upon registration, inviting the scientific community to deal with stroke characterization from NCCT but guided with paired DWI information.

연구 동기 및 목표

• 뇌경색 병변 분할을 위한 공개된 쌍체 CT-MRI 데이터셋의 부족 문제를 해결하기 위해.
• 보완적인 MRI(ADC) 정보를 활용하여 비대조CT 기반 병변 분할의 주관성 감소와 일반화 능력 향상을 위해.
• 고감도 ADC에서 저감도 비대조CT 스캔으로 병변 지식을 이행하는 계산 모델 개발을 도전하기 위해.
• 쌍체 모odal리티 표현을 기반으로 딥 러닝 모델이 학습할 수 있도록 하여 빠르고 정확한 뇌경색 진단을 지원하기 위해.

제안 방법

• 학습용으로 60개의 쌍체 비대조CT 및 ADC 스캔 데이터를 포함하며, 두 전문 방사선의가 병변을 주석 처리하였다.
• 평가를 위해 별도의 36개 케이스로 구성된 테스트 세트를 사용하였으며, 비대조CT를 입력으로, 전문가 주석을 정답으로 삼았다.
• 참가자들은 쌍체 데이터를 기반으로 모델을 훈련해야 했지만, 평가 시에는 비대조CT 입력만을 사용하여 실제 임상 환경 구현을 시뮬레이션하였다.
• 표준 평가 지표인 DICE 스코어와 하우스도르프 거리(HD)를 사용하여 모델 성능을 평가하였으며, 예측 결과를 두 전문가 주석과 비교하였다.
• 교차 모달리티 지식 이행 개발을 장려하였으며, ADC 결과가 비대조CT 병변 분할에 안내 역할을 하도록 하였다.
• 모델 일반화 능력을 평가하기 위해 전문가 주석 간의 상호 일치도를 활용한 검증 프로토콜을 구현하였다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 고감도 ADC MRI에서 저감도 비대조CT로 병변 정보를 효과적으로 이행할 수 있는가?
• RQ2 쌍체 MRI 데이터의 포함이 비대조CT 기반 병변 분할의 강건성과 정확도를 어떻게 향상시키는가?
• RQ3 다수의 전문가 주석에 대해 평가되었을 때 비대조CT 병변 분할 모델의 일반화 능력은 어떠한가?
• RQ4 현재의 아키텍처는 비대조CT에서 저대비, 저흡수성 뇌경색 병변의 과제를 어느 정도 해결하는가?
• RQ5 ADC 데이터에서 생성된 합성 비대조CT가 병변 탐지 민감도를 향상시킬 수 있는가?

주요 결과

• 최고 성능을 보인 모델은 비대조CT 병변 분할에서 두 전문가 방사선의 모두 DICE 스코어 0.20을 기록하여, 쌍체 데이터가 있음에도 불구하고 성능 향상이 제한적임을 시사한다.
• 하우스도르프 거리(HD) 스코어는 각각 67.68과 64.91로, 병변 경계 예측의 높은 공간 오차를 확인한다.
• ADC 스캔에서는 최고 DICE 스코어가 0.67과 0.58에 도달하여, MRI의 병변 탐지에 대한 고감도를 입증한다.
• ADC와 비대조CT 간의 성능 격차는 저대비 및 저흡수성 뇌경색 변화가 CT에서 감지하기 어려운 난이도를 반영한다.
• 참가한 41개 팀 중 유일하게 유효한 솔루션을 제출한 팀은 4개에 불과하여, 이 작업이 여전히 매우 도전적임을 시사한다.
• 결과는 현재의 딥 러닝 모델이 쌍체 데이터에서 비대조CT 전용 추론으로 일반화하는 데 어려움을 겪고 있음을 시사하며, 향상된 아키텍처 설계의 필요성을 강조한다.