[논문 리뷰] MONAI Label: A framework for AI-assisted Interactive Labeling of 3D Medical Images

Andres Diaz‐Pinto, Sachidanand Alle외 15명|arXiv (Cornell University)|2022. 03. 23.

Radiomics and Machine Learning in Medical Imaging참고 문헌 42인용 수 41

한 줄 요약

MONAI Label은 AI 보조의 대화형 및 비대화형 라벨링을 가능하게 하는 오픈 소스 프레임워크로, DeepGrow, DeepEdit, 낙서 기반 방법, 능동학습, GUI 통합(3D Slicer, OHIF)을 특징으로 합니다.

ABSTRACT

The lack of annotated datasets is a major bottleneck for training new task-specific supervised machine learning models, considering that manual annotation is extremely expensive and time-consuming. To address this problem, we present MONAI Label, a free and open-source framework that facilitates the development of applications based on artificial intelligence (AI) models that aim at reducing the time required to annotate radiology datasets. Through MONAI Label, researchers can develop AI annotation applications focusing on their domain of expertise. It allows researchers to readily deploy their apps as services, which can be made available to clinicians via their preferred user interface. Currently, MONAI Label readily supports locally installed (3D Slicer) and web-based (OHIF) frontends and offers two active learning strategies to facilitate and speed up the training of segmentation algorithms. MONAI Label allows researchers to make incremental improvements to their AI-based annotation application by making them available to other researchers and clinicians alike. Additionally, MONAI Label provides sample AI-based interactive and non-interactive labeling applications, that can be used directly off the shelf, as plug-and-play to any given dataset. Significant reduced annotation times using the interactive model can be observed on two public datasets.

연구 동기 및 목표

• AI 보조의 효율적인 라벨링 워크플로를 가능하게 함으로써 부족한 전문가 주석 3D 의료 데이터 세트의 병목 현상을 해소한다.
• 임상 평가를 위한 라벨링 앱을 개발하고 배포하기 위한 개방적이고 모듈식 SDK를 제공한다.
• 표준 UI 프런트엔드와 통합된 대화형 및 비대화형 세그먼테이션 접근법을 제공한다.
• 불확실하거나 정보가 풍부한 샘플의 주석 우선순위를 높이기 위해 능동학습을 도입한다.
• RESTful 서버 및 DICOMWeb 호환성을 통해 데이터 관리 및 배포를 용이하게 한다.

제안 방법

• 주석 및 모델을 위한 세 가지 고수준 MONAI Label 모듈(클라이언트, 서버, 데이터스토어)을 제공합니다.
• 대화형 주석 모델(DeepGrow, DeepEdit)과 낙서 기반 세그먼테이션 방법을 포함하고, 비대화형 자동 세그먼테이션 옵션도 제공합니다.
• 드롭아웃에 의한 불확실성 추정(에피테믹, TTA에 의한 선택적 알레이터릭 포함)과 일반적인 획득 함수로 비주석 부피를 순위화하는 능동학습 루프를 구현합니다.
• GUI 통합(3D Slicer, OHIF) 및 DICOMWeb 통신(WADO-RS, STOW-RS, QIDO-RS)을 지원합니다.
• MONAILabelApp를 상속하고 추론, 학습, 데이터 선택 및 커스텀 트랜스폼을 정의하여 앱을 개발하는 프레임워크를 제공합니다.

실험 결과

연구 질문

• RQ1 AI 보조 대화형 라벨링이 분할 정확도를 유지하거나 향상시키면서 3D 의료 영상의 수동 주석 시간을 어떻게 줄일 수 있을까?
• RQ2 MONAI Label에서 능동학습 전략이 주석 효율성과 모델 성능에 미치는 영향은 무엇인가?
• RQ3 MONAI Label을 서로 다른 프런트엔드(3D Slicer, OHIF)로 인스턴스화하고 DICOM 기반 워크플로우와 통합하는 방법은?
• RQ4 이 프레임워크 내에서 DeepGrow, DeepEdit 및 낙서 기반 접근법의 장점과 한계는 무엇인가?

주요 결과

• 대화형 DeepGrow 및 낙서 기반 방법은 전통적 도구와 비교하여 비장 분할 작업의 주석 시간을 상당히 줄인다.
• DeepGrow (2D+3D)는 후반 단계에서 3D 부피당 1–2.5분의 주석을 가능하게 하며, 컨투어 기반 방법에 비해 최대 약 ~10배 더 빠른 성능을 시사한다.
• 낙서 기반 온라인 가능도 세그먼테이션은 수작업 라벨링 노력을 크게 감소시키며 샘플당 평균 약 2분을 기록한다(페인트 브러시나 컨투어 기반 접근과 비교).
• DeepEdit는 지속적인 학습과 대화형 정제를 지원하여 실무자가 볼륨의 일부만 라벨링한 후에도 모델 기반 주석을 시작할 수 있게 하여 워크플로를 크게 가속화한다.
• MSD 데이터셋에 대한 실험은 시간 절감과 경쟁력 있는 Dice 점수를 보여주며, 적용 예로는 텔레스트로크 뇌출혈 라벨링 및 신경외과적 뇌 도해 개발이 있다.