[논문 리뷰] Robust Medical Instrument Segmentation Challenge 2019

Tobias L. Roß, Annika Reinke외 48명|arXiv (Cornell University)|2020. 03. 23.

Medical Image Segmentation Techniques참고 문헌 41인용 수 33

한 줄 요약

이 논문은 ROBUST-MIS 2019 챌린지를 소개합니다. 이는 로봇 보조 수술용 내시경 영상에서 기구의 검출 및 분할에 대한 대규모 벤치마킹 노력이며, 도메인 간 간극이 커짐에 따라 단계별로 강건성 및 일반화를 중점적으로 다룹니다.

ABSTRACT

Intraoperative tracking of laparoscopic instruments is often a prerequisite for computer and robotic-assisted interventions. While numerous methods for detecting, segmenting and tracking of medical instruments based on endoscopic video images have been proposed in the literature, key limitations remain to be addressed: Firstly, robustness, that is, the reliable performance of state-of-the-art methods when run on challenging images (e.g. in the presence of blood, smoke or motion artifacts). Secondly, generalization; algorithms trained for a specific intervention in a specific hospital should generalize to other interventions or institutions. In an effort to promote solutions for these limitations, we organized the Robust Medical Instrument Segmentation (ROBUST-MIS) challenge as an international benchmarking competition with a specific focus on the robustness and generalization capabilities of algorithms. For the first time in the field of endoscopic image processing, our challenge included a task on binary segmentation and also addressed multi-instance detection and segmentation. The challenge was based on a surgical data set comprising 10,040 annotated images acquired from a total of 30 surgical procedures from three different types of surgery. The validation of the competing methods for the three tasks (binary segmentation, multi-instance detection and multi-instance segmentation) was performed in three different stages with an increasing domain gap between the training and the test data. The results confirm the initial hypothesis, namely that algorithm performance degrades with an increasing domain gap. While the average detection and segmentation quality of the best-performing algorithms is high, future research should concentrate on detection and segmentation of small, crossing, moving and transparent instrument(s) (parts).

연구 동기 및 목표

• 내시경 영상에서 기구 검출 및 분할의 강건성 벤치마킹.
• 다양한 수술 및 기관 간 방법의 일반화 정도 평가.
• 성능을 저하시키는 이미지 조건 식별(예: 연기, 출혈, 모션 아티팩트).
• 다중 작업, 다단계 챌린지를 통한 공정한 비교 프레임워크 제공.
• 로봇 보조 수술에 적합한 비디오 전용 접근법 개발 촉진

제안 방법

• MICCAI 2019 EndoVis 서브 챌린지로 3개의 과제로 구성: 이진 분할, 다중 인스턴스 검출, 다중 인스턴스 분할.
• 세 가지 수술 유형에서 30건의 절차로부터 수집된 10,040 프레임의 대규모 전문가 주석 데이터세트 사용.
• 도메인 간 간격이 증가하는 세 가지 평가 단계 구현(단계 1: 훈련-환자 데이터; 단계 2: 동일 수술 유형, 다른 환자; 단계 3: 다르지만 유사한 수술 유형).
• 필요 시 매칭을 위해 헝가리 알고리즘으로 인스턴스 매칭을 수행한 DSC, NSD, MI_DSC, MI_NSD, 그리고 mAP 지표로 성능 평가.
• 분할 과제에 대해 정확도와 강건성의 두 가지 순위를 제공하는 체계와, 탐지에 대해 mAP를 포함하는 부트스트랩 분석으로 순위의 안정성 평가

실험 결과

연구 질문

• RQ1 현재의 기구 검출 및 분할 방법이 견고한 실제 수술 영상 데이터세트에서 어떻게 작동하는가?
• RQ2 단일 유형 수술에 대해 학습된 모델이 다른 수술 및 기관 간 일반화하는가?
• RQ3 이미지 아티팩트나 도전 과제가 성능에 가장 큰 영향을 미치는가(예: 혈액, 연기, 모션) 각 과제에서?
• RQ4 다중 작업 접근법(이진, 다중 인스턴스 검출/분할)이 단일 작업 방법 대비 강건성과 일반화를 향상시키는가?
• RQ5 도메인 간 간격이 커질 때 성능은 어떻게 저하되며, 최악의 사례 성능을 계량하고 개선할 수 있는가?

주요 결과

• 최고의 성능 방법이 높은 평균 정확도를 달성하지만, 학습 데이터와 테스트 데이터 간 도메인 간 간격이 커질수록 성능이 저하됩니다.
• 강건성 중심의 평가(하위 5% 지표)가 과제 전반의 최악의 경우 한계를 강조합니다.
• 이진 및 다중 인스턴스 분할 과제는 per-instance 평가를 위해 MI_DSC/MI_NSD를 사용하고 DSC 및 NSD를 Dice 기반으로 활용합니다.
• 다중 인스턴스 검출은 매칭을 위한 IoU 임계값 0.3을 사용한 평균 정확도(mAP)로 평가됩니다.
• 30개 절차와 10,040 프레임은 다양한 테스트 베드를 제공하며, 작고, 교차하는, 움직이는, 투명한 기구 부품이 여전히 도전적임을 보여줍니다.
• 향후 연구의 초점은 특히 도전적인 이미지 조건에서 작고 부분적으로 보이는 기구의 검출 및 분할에 맞춰져야 함을 강조합니다.