[논문 리뷰] Efficient automatic segmentation for multi-level pulmonary arteries: The PARSE challenge

Gongning Luo, Kuanquan Wang외 28명|arXiv (Cornell University)|2023. 04. 07.

Medical Imaging and Pathology Studies인용 수 10

한 줄 요약

PARSE 벤치마크 방법은 CTPA에서 동시 메인(main) 및 브랜치(branch) 폐동맥 분절을 파악하기 위해 다단계 평가와 공개 데이터세트를 사용해 정확도와 추론 효율 사이의 균형을 맞춥니다.

ABSTRACT

Efficient automatic segmentation of multi-level (i.e. main and branch) pulmonary arteries (PA) in CTPA images plays a significant role in clinical applications. However, most existing methods concentrate only on main PA or branch PA segmentation separately and ignore segmentation efficiency. Besides, there is no public large-scale dataset focused on PA segmentation, which makes it highly challenging to compare the different methods. To benchmark multi-level PA segmentation algorithms, we organized the first extbf{P}ulmonary extbf{AR}tery extbf{SE}gmentation (PARSE) challenge. On the one hand, we focus on both the main PA and the branch PA segmentation. On the other hand, for better clinical application, we assign the same score weight to segmentation efficiency (mainly running time and GPU memory consumption during inference) while ensuring PA segmentation accuracy. We present a summary of the top algorithms and offer some suggestions for efficient and accurate multi-level PA automatic segmentation. We provide the PARSE challenge as open-access for the community to benchmark future algorithm developments at \url{https://parse2022.grand-challenge.org/Parse2022/}.

연구 동기 및 목표

• 동시 메인 및 가지 폐동맥 분절에 대한 공개적이고 대규모 벤치마크를 확립하고 동기를 부여합니다.
• 정확도와 효율성을 함께 평가하여 임상 배치 필요를 반영합니다.
• 상위 수행 방법의 통찰과 가이드를 제공하여 다층 PA 분절의 효율성을 강화합니다.

제안 방법

• 가중 점수(80% 가지, 20% 메인)로 두 수준 PA 분절 벤치마크를 제공합니다(주 PA는 밖으로, 가지 PA는 내부로).
• 정확도는 DSC와 HD95를, 효율성은 실행 시간(RT)과 GPU 메모리를 사용합니다.
• 외부 데이터나 사전 학습 모델의 비사용을 엄격히 지키고 최종 결과 제출은 Docker를 요구하는 학습, 검증, 테스트 단계를 구성합니다.
• 가중 DSC, 가중 HD95, RT, GPU를 결합하여 네 가지 메트릭으로 4-메트릭 랭킹을 계산합니다.
• PARSE 데이터셋은 203명의 피험자(학습, 검증, 테스트)와 다수의 센터 및 벤더에서 1 mm CT 슬라이스를 포함해 공개됩니다.

실험 결과

연구 질문

• RQ1 자동 분절이 CTPA에서 주 PA와 가지 PA를 임상 수준의 효율성으로 신뢰성 있게 구분할 수 있는가?
• RQ2 다중 수준 혈관 분절의 정확도와 속도 간의 가장 효과적인 균형 전략은 무엇인가?
• RQ3 다양한 알고리즘적 접근(U-Net 변형, 스켈레톤 기반 디코딩, 다단계 파이프라인 등)이 메인 PA와 가지 PA의 성능에 어떤 영향을 미치는가?
• RQ4 데이터세트 변이성, 주석 노이즈, 최상위 기술에 대한 통찰이 향후 연구를 어떻게 이끄는가?

주요 결과

• 상위 방법은 메인 PA에서 평균 DSC 약 89–91%, 가지 PA에서 68–77%를 달성하며 가중 PA DSC는 약 79–80% 수준입니다.
• HD95는 팀 간에 가지 PA를 더 선호하며 메인 PA 영역의 난이도가 더 높음을 시사합니다.
• 상위 수행자들은 정확도와 효율성 사이의 균형을 유지하며, 일부는 속도(RT)나 메모리(GPU)를 우선시하는 반면, 다른 일부는 정확도를 우선시하여 랭킹의 안정성이 지표 강조에 따라 달라집니다.
• 최종 랭킹은 네 가지 메트릭(DSC, HD95, RT, GPU)을 통합하되 가지 PA에 더 가중치를 두어(80%) 다층 평가를 구현합니다.
• 분절 품질과 추론 효율 사이에는 트레이드오프가 존재하며, 일부 팀은 거의 최상의 정확도를 달성하지만 GPU/메모리 비용이 높고, 다른 팀은 런타임을 최적화하면서 정확도에 약간의 변화를 보입니다.