[논문 리뷰] fastMRI+: Clinical Pathology Annotations for Knee and Brain Fully Sampled Multi-Coil MRI Data

Ruiyang Zhao, Burhaneddin Yaman외 8명|arXiv (Cornell University)|2021. 09. 08.

Medical Imaging Techniques and Applications참고 문헌 11인용 수 15

한 줄 요약

이 논문은 fastMRI+를 소개한다. fastMRI+는 관절과 뇌의 자기공명영상(MRI)에서 22개 병리 유형에 대해 16,154개의 전문가 검증을 거친 경계상자(annotation) 레이블과 13개의 스터디 수준 레이블을 제공하는 fastMRI 데이터셋의 임상적 확장판이다. 뇌 MRI에서는 30개 병리 유형에 대해 7,570개의 경계상자와 643개의 스터디 수준 레이블을 제공한다. 이 데이터셋은 임상적으로 관련성이 높은 병리학적 정보를 포함한 딥러닝 연구를 가능하게 하여, 진단 인식 이미지 복원 모델의 개발을 촉진한다.

ABSTRACT

Improving speed and image quality of Magnetic Resonance Imaging (MRI) via novel reconstruction approaches remains one of the highest impact applications for deep learning in medical imaging. The fastMRI dataset, unique in that it contains large volumes of raw MRI data, has enabled significant advances in accelerating MRI using deep learning-based reconstruction methods. While the impact of the fastMRI dataset on the field of medical imaging is unquestioned, the dataset currently lacks clinical expert pathology annotations, critical to addressing clinically relevant reconstruction frameworks and exploring important questions regarding rendering of specific pathology using such novel approaches. This work introduces fastMRI+, which consists of 16154 subspecialist expert bounding box annotations and 13 study-level labels for 22 different pathology categories on the fastMRI knee dataset, and 7570 subspecialist expert bounding box annotations and 643 study-level labels for 30 different pathology categories for the fastMRI brain dataset. The fastMRI+ dataset is open access and aims to support further research and advancement of medical imaging in MRI reconstruction and beyond.

연구 동기 및 목표

• fastMRI 데이터셋에 임상 병리학 레이블이 부족하여 임상적으로 관련성이 높은 MRI 복원 방법 개발이 제한되고 있는 문제를 해결하기 위해.
• 전문가가 검증한 병리학 레이블을 통합함으로써 딥러닝 모델이 이미지 품질뿐 아니라 진단 정확성까지 학습할 수 있도록 하기 위해.
• 임상적으로 중요한 병리학 소견의 가시성을 유지하거나 향상시키는 MRI 복원 연구를 지원하기 위해.
• 전문의 방사선과 의사에 의해 주관된 오픈 액세스, 다중 코ils, 완전 샘플링 MRI 데이터로 fastMRI 데이터셋을 확장하기 위해.
• 빠르고 정확할 뿐 아니라 진단적으로 신뢰할 수 있는 복원 프레임워크 개발을 촉진하기 위해.

제안 방법

• 저자들은 관절과 뇌 영상의 fastMRI 데이터셋에서 완전 샘플링, 다중 코일 MRI 데이터를 수집하고 정제하였다.
• 전문의 방사선과 의사들이 경계상자를 사용하여 관절과 뇌 MRI 영상에서 병리학 소견을 국소화하는 수동 레이블링을 수행하였다.
• 각 스캔은 관절 MRI의 22개, 뇌 MRI의 30개 병리 유형에 대해 존재 여부를 나타내는 스터디 수준의 병리학 레이블이 부여되었다.
• 다중 전문가 독립 검토를 통해 일관성과 정확성을 검증하여 임상적 신뢰성을 확보하였다.
• 재현 가능한 의료 영상 및 AI 기반 복원 연구를 지원하기 위해 데이터셋을 오픈 액세스로 공개하였다.
• 하류 작업을 위한 개체 수준(경계상자) 및 스터디 수준(진단 레이블) 분석을 모두 지원하는 데이터 구조를 구축하였다.

실험 결과

연구 질문

• RQ1 fastMRI+에서 훈련된 딥러닝 모델은 가속화된 MRI 복원에서 임상적으로 관련성이 높은 병리학 소견의 탐지 성능을 향상시킬 수 있는가?
• RQ2 전문가가 레이블링한 병리학 레이블의 포함 여부가 병리학적 특징을 유지하는 MRI 복원 모델의 성능에 어떤 영향을 미치는가?
• RQ3 관절과 뇌 MRI의 다양한 병리학 유형 중 어느 정도의 병리학 유형이 병리학 인식 복원 프레임워크의 이점을 얻는가?
• RQ4 병리학 소견이 존재할 경우, 재구성된 이미지의 품질은 진단적 신뢰도와 어떤 관련이 있는가?
• RQ5 fastMRI+ 데이터셋은 새로운 MRI 복원 알고리즘의 임상적 관련성을 평가하기 위한 벤치마크로 활용될 수 있는가?

주요 결과

• fastMRI+ 데이터셋은 관절 MRI에서 22개 병리 유형에 대해 16,154개의 전문의 검증 경계상자 레이블과 뇌 MRI에서 30개 병리 유형에 대해 7,570개의 동일한 레이블을 포함하고 있다.
• 데이터셋에는 관절 MRI에 13개의 스터디 수준 레이블과 뇌 MRI에 643개의 스터디 수준 레이블이 포함되어 있어 복원 모델의 진단 수준 평가가 가능하다.
• 모든 레이블링은 전문의 방사선과 의사에 의해 수행되어 높은 임상적 관련성과 진단 정확성을 확보하였다.
• 데이터셋은 완전히 오픈 액세스로 공개되어 있어 MRI 복원 및 병리학 탐지 분야의 재현 가능 연구 및 벤치마킹을 지원한다.
• 개체 수준 및 스터디 수준 레이블의 통합은 병리학 소견 탐지 및 유지 성능에 대한 다중 척도 평가를 가능하게 한다.
• 이 데이터셋은 빠르고 정확할 뿐 아니라 진단적으로 신뢰할 수 있는 복원 모델 개발을 위한 새로운 연구 방향을 가능하게 한다.