[논문 리뷰] FUSeg: The Foot Ulcer Segmentation Challenge

Chuanbo Wang, Amirreza Mahbod외 5명|arXiv (Cornell University)|2022. 01. 02.

Diabetic Foot Ulcer Assessment and Management인용 수 7

한 줄 요약

FUSeg는 당뇨병성 발저림 치료 분야에서 자동화된 상처 분할을 평가하기 위한 대규모 전문가 주석이 부여된 1,210장의 발저림 영상 데이터셋을 소개한다. 도전 대회에서는 딥러닝 모델을 사전 테스트 세트를 사용하여 Dice 계수를 기준으로 평가하여, 당뇨병성 발저림의 상처 분할 분야에 새로운 기준을 설정하였다. 학습용으로 1,010장, 테스트용으로 200장의 영상이 사용되었다.

ABSTRACT

Acute and chronic wounds with varying etiologies burden the healthcare systems economically. The advanced wound care market is estimated to reach $22 billion by 2024. Wound care professionals provide proper diagnosis and treatment with heavy reliance on images and image documentation. Segmentation of wound boundaries in images is a key component of the care and diagnosis protocol since it is important to estimate the area of the wound and provide quantitative measurement for the treatment. Unfortunately, this process is very time-consuming and requires a high level of expertise. Recently automatic wound segmentation methods based on deep learning have shown promising performance but require large datasets for training and it is unclear which methods perform better. To address these issues, we propose the Foot Ulcer Segmentation challenge (FUSeg) organized in conjunction with the 2021 International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI). We built a wound image dataset containing 1,210 foot ulcer images collected over 2 years from 889 patients. It is pixel-wise annotated by wound care experts and split into a training set with 1010 images and a testing set with 200 images for evaluation. Teams around the world developed automated methods to predict wound segmentations on the testing set of which annotations were kept private. The predictions were evaluated and ranked based on the average Dice coefficient. The FUSeg challenge remains an open challenge as a benchmark for wound segmentation after the conference.

연구 동기 및 목표

• 발저림 분할을 위한 대규모이자 고품질의 전문가 주석이 부여된 데이터셋 부족 문제를 해결하기 위해.
• 상처 면적 측정에 소요되는 시간과 전문 지식을 줄이기 위해 자동 분할 기술을 도입하기 위해.
• 표준화된 기준에서 최신 딥러닝 모델의 성능을 평가하고 비교하기 위해.
• MICCAI 2021 이후에도 지속 가능한 공개 도전 대회를 마련하기 위해.
• 임상 현장에서 정량적이고 재현 가능한 상처 평가 도구 개발을 지원하기 위해.

제안 방법

• 2년간 889명의 환자로부터 총 1,210장의 발저림 영상을 수집하였다.
• 상처 관리 전문가들이 픽셀 단위로 주석을 부여하여 학습용 1,010장, 테스트용 200장의 영상 세트를 확보하였다.
• 도전 대회는 MICCAI 2021 회의 동안 개최되었으며, 사전 테스트 세트에 대한 예측 결과를 제출하였다.
• 모델 성능 평가에 주로 Dice 계수를 사용하였다.
• 회의 이후에도 데이터셋과 도전 대회가 공개되어 지속적인 연구와 모델 비교를 가능하게 하였다.
• 딥러닝 모델은 학습 세트에서 학습하고, 추론 과정에서 진짜 라벨에 접근할 수 없도록 한 분리된 테스트 세트에서 평가하였다.

실험 결과

연구 질문

• RQ1 어떤 딥러닝 모델이 임상 영상에서 발저림을 가장 정확하게 분할하는가?
• RQ2 실제 세계의 다양한 상처 형태와 환자 인구 통계적 특성에서 모델 성능는 어떻게 변할까?
• RQ3 자동 분할 기술이 상처 면적 측정에 소요되는 시간과 전문 지식 요구도를 어느 정도 줄일 수 있는가?
• RQ4 전문가 수준의 인간 평가자와 최신 딥러닝 모델 간의 성능 격차는 어느 정도인가?
• RQ5 현재의 분할 모델은 대규모이고 다양한 실제 데이터셋에 적용했을 때 얼마나 일반화 가능한가?

주요 결과

• FUSeg 도전 대회는 1,210장의 전문가 주석이 부여된 영상로 구성된 데이터셋을 바탕으로 발저림 분할 분야의 새로운 기준을 설정하였다.
• 학습 세트는 1,010장, 테스트 세트는 200장으로 구성되었으며, 평가를 위해 주석은 비공개로 유지되었다.
• 모델 성능 평가에 Dice 계수를 사용하였으며, 이는 분할 정확도의 표준 지표이다.
• MICCAI 2021 이후에도 도전 대회가 공개되어 있어 지속적인 연구와 모델 비교가 가능하다.
• 이 데이터셋은 임상 현장에서 정량적이고 재현 가능한 상처 평가 도구 개발을 지원한다.
• 결과는 딥러닝이 당뇨병성 발저림 치료에서 상처 면적 측정을 자동화하고 표준화하는 데 잠재력을 지니고 있음을 시사한다.