[논문 리뷰] RESECT-SEG: Open access annotations of intra-operative brain tumor ultrasound images

Bahareh Behboodi, Francois-Xavier Carton외 7명|arXiv (Cornell University)|2022. 07. 13.

Radiomics and Machine Learning in Medical Imaging인용 수 7

한 줄 요약

이 논문은 RESECT 데이터베이스에서 수집한 뇌종양 조직 및 절제 부위의 내시외 초음파(iUS) 영상에 대한 전문가가 주석 처리한 3D 세그멘테이션 마스크를 포함하는 공개 데이터셋인 RESECT-SEG을 소개한다. 이 데이터셋은 두 명의 신경외과 전문의에 의해 검증되었으며, 뇌신경외과 영상 가이던스를 위한 딥러닝 및 영상 정렬 알고리즘의 철저한 평가와 훈련을 가능하게 하여, 고품질의 주석 처리된 iUS 데이터가 부족한 문제를 해결한다.

ABSTRACT

Purpose: Registration and segmentation of magnetic resonance (MR) and ultrasound (US) images play an essential role in surgical planning and resection of brain tumors. However, validating these techniques is challenging due to the scarcity of publicly accessible sources with high-quality ground truth information. To this end, we propose a unique annotation dataset of tumor tissues and resection cavities from the previously published RESECT dataset (Xiao et al. 2017) to encourage a more rigorous assessments of image processing techniques. Acquisition and validation methods: The RESECT database consists of MR and intraoperative US (iUS) images of 23 patients who underwent resection surgeries. The proposed dataset contains tumor tissues and resection cavity annotations of the iUS images. The quality of annotations were validated by two highly experienced neurosurgeons through several assessment criteria. Data format and availability: Annotations of tumor tissues and resection cavities are provided in 3D NIFTI formats. Both sets of annotations are accessible online in the \url{https://osf.io/6y4db}. Discussion and potential applications: The proposed database includes tumor tissue and resection cavity annotations from real-world clinical ultrasound brain images to evaluate segmentation and registration methods. These labels could also be used to train deep learning approaches. Eventually, this dataset should further improve the quality of image guidance in neurosurgery.

연구 동기 및 목표

• 뇌종양 세그멘테이션 및 정렬을 위한 공개적으로 이용 가능한 고품질 주석 처리 내시외 초음파(iUS) 영상의 부족 문제를 해결하기 위해.
• 23명의 저-grade 뇌신생물 환자로부터의 iUS 영상에서 종양 조직 및 절제 부위의 전문가 검증을 받은 세그멘테이션 마스크를 제공하기 위해.
• 뇌신경외과 영상 가이던스를 위한 딥러닝 및 영상 정렬 알고리즘의 개발, 벤치마킹, 검증을 지원하기 위해.
• 실제 임상적 iUS 데이터를 사용한 세그멘테이션 및 정렬 기법의 표준화된 평가를 가능하게 하기 위해.
• 공개 데이터 공유를 통해 재현 가능한 연구를 촉진하고 컴퓨터 보조 뇌신경외과 분야의 혁신을 가속화하기 위해.

제안 방법

• 이 데이터셋은 RESECT 데이터베이스에 속한 23명의 환자로부터의 iUS 스캔에서 종양 조직 및 절제 부위에 대한 3D NIFTI 형식의 세그멘테이션 마스크를 포함한다.
• 주석은 표준화된 기준을 사용하여 경험이 풍부한 신경외과 전문의가 생성하여 높은 일치도와 임상적 관련성을 확보하였다.
• iUS 스캔은 종양 절제 전, 중간, 후 세 단계의 수술 시점에서 획득되었으며, 각 단계에 해당하는 주석이 함께 제공되었다.
• 이 데이터셋은 Open Science Framework(OSF)의 https://osf.io/6y4db에 게시되어 있으며, CC BY-NC-SA 4.0 라이선스에 따라 공개적이고 비영리적 사용을 허용한다.
• 주석을 원본 iUS 영상 시퀀스와 정렬하고 수술 시점에 따라 레이블링하여 일관성을 확보하였다.
• 공간적으로 정확하고 임상적으로 검증된 레이블을 제공함으로써 다중 인스턴스 세그멘테이션 및 정렬 작업을 지원한다.

실험 결과

연구 질문

• RQ1 전문가 주석 처리 iUS 세그멘테이션 마스크는 뇌종양 세그멘테이션을 위한 딥러닝 모델의 벤치마킹 및 검증을 향상시킬 수 있는가?
• RQ2 절제 부위 주석의 포함 여부가 뇌신경외과 내비게이션에서 영상 정렬 정확도에 어떤 영향을 미치는가?
• RQ3 접근 가능한 고품질의 iUS 주석은 컴퓨터 보조 뇌신경외과 시스템 개발을 어느 정도 가속화할 수 있는가?
• RQ4 절제 전, 중간, 후 단계의 다단계 주석은 동적 수술 영상 분석 알고리즘의 훈련 및 평가에 어떤 영향을 미치는가?
• RQ5 표준화된 공개 주석은 의료 영상 분석 연구에서 변동성을 줄이고 재현 가능성을 높이는 데 어떤 영향을 미치는가?

주요 결과

• RESECT-SEG 데이터셋은 내시외 초음파 영상에서 뇌종양 조직 및 절제 부위에 대해 공개적으로 이용 가능한 첫 번째 전문가 검증 3D 세그멘테이션 마스크를 제공한다.
• 이 데이터셋은 절제 전, 중간, 후 세 단계에서 iUS 스캔이 획득된 23명의 저-grade 뇌신생물 환자에 대한 주석을 포함한다.
• 모든 주석은 사전 정의된 임상 기준에 따라 두 명의 경험이 풍부한 신경외과 전문의에 의해 검증되어 높은 신뢰도와 임상적 관련성을 확보하였다.
• 이 데이터셋은 https://osf.io/6y4db에서 CC BY-NC-SA 4.0 라이선스에 따라 자유롭게 접근 가능하여 연구 및 임상 적용에 널리 활용될 수 있다.
• 이 데이터셋은 다중 인스턴스 세그멘테이션 및 뇌 이완 보정을 위한 정렬 기반 모델의 훈련 및 평가를 지원한다.
• 이 데이터셋은 이전까지 공개되지 않았던 실제 임상적 iUS 데이터를 제공함으로써 뇌신경외과 영상 연구 분야의 핵심적 격차를 메운다.