[논문 리뷰] ISLES 2022: A multi-center magnetic resonance imaging stroke lesion segmentation dataset

Moritz Roman Hernández Petzsche, Ezequiel de la Rosa외 23명|Zurich Open Repository and Archive (University of Zurich)|2022. 06. 14.

Acute Ischemic Stroke Management인용 수 11

한 줄 요약

이 논문은 400건의 급성에서 만성으로 이르는 뇌경색 환자에 대한 다중 센터, 대규모 MRI 데이터셋인 ISLES 2022를 소개한다. 이 데이터셋은 전문가가 검토한 병변 세그멘테이션을 포함하며, 신경 radiologist가 계층적으로 검토하는 하이브리드 인간-알고리즘 워크플로우를 통해 고품질의 레이블을 확보하였다. 이를 통해 다양한 스캐너와 임상 단계에서 강건하고 일반화 능력이 뛰어난 딥 러닝 모델의 뇌경색 병변 세그멘테이션을 평가할 수 있다.

ABSTRACT

Magnetic resonance imaging (MRI) is a central modality for stroke imaging. It is used upon patient admission to make treatment decisions such as selecting patients for intravenous thrombolysis or endovascular therapy. MRI is later used in the duration of hospital stay to predict outcome by visualizing infarct core size and location. Furthermore, it may be used to characterize stroke etiology, e.g. differentiation between (cardio)-embolic and non-embolic stroke. Computer based automated medical image processing is increasingly finding its way into clinical routine. Previous iterations of the Ischemic Stroke Lesion Segmentation (ISLES) challenge have aided in the generation of identifying benchmark methods for acute and sub-acute ischemic stroke lesion segmentation. Here we introduce an expert-annotated, multicenter MRI dataset for segmentation of acute to subacute stroke lesions. This dataset comprises 400 multi-vendor MRI cases with high variability in stroke lesion size, quantity and location. It is split into a training dataset of n=250 and a test dataset of n=150. All training data will be made publicly available. The test dataset will be used for model validation only and will not be released to the public. This dataset serves as the foundation of the ISLES 2022 challenge with the goal of finding algorithmic methods to enable the development and benchmarking of robust and accurate segmentation algorithms for ischemic stroke.

연구 동기 및 목표

• 급성 및 만성 단계에서의 뇌경색 병변 세그멘테이션을 위한 대규모, 다중 센터, 고품질의 MRI 데이터셋이 부족한 문제를 해결하기 위해.
• 전문가의 감독 하에 하이브리드 인간-알고리즘 애너테이션 파이프라인을 통해 상호 관찰자 간 변동성을 줄이고 수동 애너테이션 부담을 감소시키기 위해.
• 다양한 스캐너, 뇌경색 패atters, 임상 시간점(재관류 전 및 후)에서의 세그멘테이션 모델의 강건한 평가를 가능하게 하기 위해.
• 뇌경색 예후 예측 및 치료 지침을 위한 자동화된 임상 적용 가능한 도구 개발을 지원하기 위해.

제안 방법

• 하이브리드 애너테이션 워크플로우를 사용하였으며, 고품질 애너테이션으로 훈련된 딥 러닝 모델을 활용한 초기 자동 전처리 세그멘테이션 후, 훈련된 의학 학생이 수동 보정을 수행하였다.
• 모든 학생이 애너테이션한 마스크는 신경 radiology 레지던트에 의해 철저히 검토 및 수정되었으며, 상당 부분은 경험이 10년 이상인 주치의 신경 radiologist에 의해 추가로 검증되었다.
• 영상 데이터는 HD-BET를 사용한 뇌 추출을 통해 익명화되었고, FLAIR를 DWI에 정렬하는 강성 정렬 및 등록된 뇌 마스크를 이용한 뼈대 제거가 수행되었다.
• 모든 MRI 시퀀스 및 세그멘테이션 마스크는 NIfTI 형식으로 저장되었으며, DICOM 메타데이터는 JSON 파일에 유지되었다.
• 데이터셋은 공개 학습 세트(n=250)와 비공개 테스트 세트(n=150)로 분할되었으며, 센터와 뇌경색 표현형 간 균형을 확보하였다.
• 데이터는 CC BY-SA 4.0 라이선스 하에 배포되었으며, GitHub에 코드 및 시각화 스크립트가 함께 제공되어 재현성과 커뮤니티 활용을 지원한다.

Figure 1: Exemplary 3D Snapshots through the ischemic center of mass. Axial FLAIR and DWI images are displayed in the top leftmost columns. The 3rd column from the left shows the maximum intensity projection (MIP) of the mask (Msk). The three rightmost columns show DWI with mask overlay (without MIP

실험 결과

연구 질문

• RQ1 하이브리드 인간-알고리즘 접근 방식이 뇌경색 병변 세그멘테이션에서 수동 애너테이션 효율성을 크게 향상시키면서도 높은 상호 관찰자 간 신뢰도를 유지할 수 있는가?
• RQ2 급성 및 만성 뇌경색에서 다양한 MRI 스캐너, 센터, 임상 시간점(재관류 전 대비 후) 간 모델의 일반화 성능은 어떻게 변화하는가?
• RQ3 다중 센터, 다중 제조사 데이터의 포함이 뇌경색 병변 세그멘테이션을 위한 딥 러닝 모델의 강건성에 어느 정도 기여하는가?
• RQ4 전문가가 검증한 데이터로 훈련된 자동 세그멘테이션 도구가 뇌경색 관리에서 임상 의사결정 지원에 적합한 성능 수준에 도달할 수 있는가?

주요 결과

• ISLES 2022 데이터셋은 전문가가 검증한 병변 세그멘테이션을 포함한 400건의 다중 제조사 MRI 사례로 구성되어 있으며, 대규모 영역 경색에서 작은 점상 경색에 이르기까지 다양한 병변 패턴을 수용한다.
• 250건의 학습 세트는 CC BY-SA 4.0 하에 공개되었고, 150건의 테스트 세트는 챌린지 평가를 위해 보존되어 공정한 벤치마킹을 보장한다.
• 사전 훈련된 세그멘테이션 모델을 활용한 애너테이션 파이프라인으로 수동 작업량을 감소시켰으며, 최종 마스크는 주치의 신경 radiologist를 포함한 다수의 전문가 수준에서 검증되었다.
• 재관류 전후 영상이 포함되어 있어, 재관류 효과 및 스캔 시점에 대한 모델의 강건성 평가가 가능하다.
• 세 센터를 포함한 데이터셋으로, 테스트 세트에는 학습 기간 동안 관찰되지 않은 새로운 센터의 데이터가 포함되어 있어 일반화 평가가 향상되었다.
• 동반된 GitHub 리포지토리는 데이터 로딩, 시각화, 챌린지 표준 메트릭을 사용한 성능 평가를 위한 코드를 제공한다.

Figure 2: Workflow of the hybrid human-algorithm stroke lesion segmentation applied in this dataset.