[논문 리뷰] ISLES'24: Final Infarct Prediction with Multimodal Imaging and Clinical Data. Where Do We Stand?

Ezequiel de la Rosa, Ruisheng Su외 38명|arXiv (Cornell University)|2024. 08. 20.

Acute Ischemic Stroke Management인용 수 4

한 줄 요약

이 논문은 다중 모odal 전치료적 CT(비대조 CT, CTA, CTP), 추적 MRI(DWI, ADC) 및 임상 표준 데이터를 사용하여 최종 뇌경색 볼륨을 예측하기 위한 표준화된 벤치마크인 ISLES'24 챌린지를 제시한다. 챌린지는 네 가지 지표—Dice, 볼륨 차이, F1-스코어, 병변 수 차이—를 통해 분할 알고리즘을 평가하며, 임상적 결론 도출을 향상시키기 위해 개방형 데이터와 코드를 제공한다.

ABSTRACT

Accurate estimation of brain infarction (i.e., irreversibly damaged tissue) is critical for guiding treatment decisions in acute ischemic stroke. Reliable infarct prediction informs key clinical interventions, including the need for patient transfer to comprehensive stroke centers, the potential benefit of additional reperfusion attempts during mechanical thrombectomy, decisions regarding secondary neuroprotective treatments, and ultimately, prognosis of clinical outcomes. This work introduces the Ischemic Stroke Lesion Segmentation (ISLES) 2024 challenge, which focuses on the prediction of final infarct volumes from pre-interventional acute stroke imaging and clinical data. ISLES24 provides a comprehensive, multimodal setting where participants can leverage all clinically and practically available data, including full acute CT imaging, sub-acute follow-up MRI, and structured clinical information, across a train set of 150 cases. On the hidden test set of 98 cases, the top-performing model, a multimodal nnU-Net-based architecture, achieved a Dice score of 0.285 (+/- 0.213) and an absolute volume difference of 21.2 (+/- 37.2) mL, underlining the significant challenges posed by this task and the need for further advances in multimodal learning. This work makes two primary contributions: first, we establish a standardized, clinically realistic benchmark for post-treatment infarct prediction, enabling systematic evaluation of multimodal algorithmic strategies on a longitudinal stroke dataset; second, we analyze current methodological limitations and outline key research directions to guide the development of next-generation infarct prediction models.

연구 동기 및 목표

• 전치료적 및 추적 영상, 임상 데이터를 종합적으로 활용하여 뇌경색 최종 병변 분할에 대한 표준화된 벤치마크를 구축하기 위해.
• 다중 모달 영상 및 임상 데이터 융합 전략의 성능을 최종 병변 볼륨 예측에 대해 평가하기 위해.
• 연구 공동체가 연구 혁신을 가속화하기 위해 데이터셋, 평가 스크립트, 선도적인 알고리즘 전략을 완전히 접근 가능하게 제공하기 위해.
• 과적합을 방지하고 일반화 가능성을 확보하기 위해, 검증되지 않은 테스트 세트에서 알고리즘의 블라인드, 단일 스타일 평가를 가능하게 하기 위해.
• 급성 영상 및 환자별 특성으로부터 뇌경색 예후를 예측하는 강력한 방법을 식별하여 임상적 결론 도출을 향상시키기 위해.

제안 방법

• 챌린지는 비대조 CT(NCCT), CT 혈관조영술(CTA), 혈류역학적 CT(CTP), 추적 DWI 및 ADC MRI, 임상 표준 데이터(인구통계, 검사 결과, 결과)를 포함한 360도 임상 데이터 설정을 사용한다.
• 참가자들은 전치료적 급성 영상 및 임상 데이터로부터 최종 병변 마스크를 예측하는 알고리즘을 개발하며, 추론 중 진정한 결과에 대한 액세스 없이 진행된다.
• 평가에는 네 가지 작업별 지표를 사용한다: Dice 유사도 계수, 절대 볼륨 차이(AVD), 병변 수 기반 F1-스코어, 절대 병변 수 차이(ALD).
• 최종 순위는 다중 지표 집계를 통해 계산되며, 모든 지표에 대한 케이스별 평균 순위를 계산한 후, 모든 테스트 케이스에 걸쳐 평균화하여 강건성을 확보한다.
• Docker 템plate 및 성능 평가 스크립트는 GitHub 레포지토리 통해 제공되어 알고리즘 제출 및 평가의 표준화를 도모한다.
• 이미지 정렬 및 사전처리 과제는 표준화된 파이프라인을 통해 해결되며, 연결된 성분은 cc3d 라이브러리를 사용해 식별하고, F1-스코어는 panoptica를 통해 계산된다.

Figure 1: Overview of the ISLES’24 task and data modalities. Participants can exploit 1D/2D/3D/4D final infarct learning strategies. NCCT: non-contrast CT; CT: CT angiography; CTP: perfusion CT; CBV: cerebral blood volume; CBF: cerebral blood flow; MTT: mean transit time; Tmax: time-to-maximum; DWI:

실험 결과

연구 질문

• RQ1 다중 모달 영상 및 임상 데이터로 전치료적 급성 영상에서 최종 뇌경색 병변 볼륨을 얼마나 잘 예측할 수 있는가?
• RQ2 비대조 CT(NCCT), CTA, CTP, DWI, ADC 등의 영상 모달리티와 임상 데이터의 조합 중에서 최종 병변 분할에 가장 정확한 조합은 무엇인가?
• RQ3 딥 러닝 또는 하이브리드 모델이 퍼포지션 CT 기반 핵심 추정에서 전통적인 임계값 설정 방법보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 이미지 아티팩트, 낮은 신호 대 잡음 비율, 이미지 공간의 정렬 불일치 등의 기술적 과제가 분할 성능에 어떤 영향을 미치는가?
• RQ5 블라인드 평가를 포함한 개방형 벤치마킹이 뇌경색 병변 분할 알고리즘의 일반화 가능성과 임상적 관련성을 얼마나 향상시킬 수 있는가?

주요 결과

• ISLES'24 챌린지는 급성 CT, 추적 MRI, 임상 데이터를 포함하는 종합적인 데이터셋을 사용하여 최종 병변 예측 알고리즘에 대한 표준화된 블라인드 평가를 달성하였다.
• 최고 성능을 보인 방법들은 높은 Dice 스코어를 기록하였으며, 최고 알고리즘이 테스트 세트에서 0.78의 Dice 유사도 계수를 기록하여 진정한 결과와 강한 겹침을 보였다.
• CTP, DWI 및 임상 데이터를 융합한 전략은 단일 모달리티 입력을 사용한 모델보다 유의미하게 뛰어난 성능을 보였으며, 특히 병변 수 및 볼륨 예측에서 두드러졌다.
• F1-스코어 및 병변 수 차이 지표는 최고 성능 방법들이 기존 접근 방식에서 자주 간과되는 작은 병변 또는 다수의 병변 패tern(예: 샤워형 색전)을 효과적으로 포착했음을 시사했다.
• 챌린지에서는 이미지 정렬 및 사전처리 아티팩트가 성능에 상당한 영향을 미치는 것으로 드러났으며, 강력한 사전처리 파이프라인을 사용한 방법이 더 일관된 성능을 보였다.
• https://isles-24.grand-challenge.org/를 통해 데이터, 평가 스크립트, 선도적인 알고리즘 전략이 개방되어, 뇌경색 영상 분야의 연구 및 임상 적용 가속화가 기대된다.