[논문 리뷰] BHSD: A 3D Multi-Class Brain Hemorrhage Segmentation Dataset

Biao Wu, Yutong Xie외 7명|arXiv (Cornell University)|2023. 08. 22.

Intracerebral and Subarachnoid Hemorrhage Research인용 수 6

한 줄 요약

이 논문은 5종류의 뇌출혈 유형(EDH, SDH, SAH, IPH, IVH)에 대해 픽셀 수준의 주석이 부여된 192개의 볼륨과 슬라이스 수준 주석이 부여된 2200개의 슬라이스를 포함하는 3차원 다중 클래스 뇌출혈(ICH) 분할 데이터셋 BHSD를 소개한다. 이 데이터셋은 다중 클래스 분할에서 최신 기술 수준의 성능을 달성하며, 단일 클래스 모델 융합 기법을 뛰어넘고, 레이블이 없는 데이터를 활용한 준지도 학습을 통해 뚜렷한 성능 향상을 보여준다.

ABSTRACT

Intracranial hemorrhage (ICH) is a pathological condition characterized by bleeding inside the skull or brain, which can be attributed to various factors. Identifying, localizing and quantifying ICH has important clinical implications, in a bleed-dependent manner. While deep learning techniques are widely used in medical image segmentation and have been applied to the ICH segmentation task, existing public ICH datasets do not support the multi-class segmentation problem. To address this, we develop the Brain Hemorrhage Segmentation Dataset (BHSD), which provides a 3D multi-class ICH dataset containing 192 volumes with pixel-level annotations and 2200 volumes with slice-level annotations across five categories of ICH. To demonstrate the utility of the dataset, we formulate a series of supervised and semi-supervised ICH segmentation tasks. We provide experimental results with state-of-the-art models as reference benchmarks for further model developments and evaluations on this dataset.

연구 동기 및 목표

• 다양한 출혈 유형에 대해 픽셀 수준 주석을 지원하는 공개된 3차원 다중 클래스 ICH 분할 데이터셋의 부족을 해결하기 위해.
• 고품질의 전문가 주석이 부여된 CT 스캔을 활용해 정확하고 유형별로 특화된 ICH 분할을 위한 딥 러닝 모델을 향상시키기 위해.
• 레이블이 없는 스캔과 비출혈성 스캔을 포함시키는 것이 분할 성능에 미치는 영향을 평가하기 위해.
• 표준화된 다중 클래스 ICH 분할 작업에서 지도 학습 및 준지도 학습 방법을 벤치마킹하기 위해.
• 뇌영상 분야의 향후 컴퓨터 지원 진단 도구 개발을 위한 종합적인 기준을 제공하기 위해.

제안 방법

• 익명화된 환자 식별자와 DICOM 위치 메타데이터를 사용해 RSNA 2019 데이터셋의 3차원 뇌 CT 스캔을 재구성하여 공간 연속성을 복원하였다.
• RSNA 데이터셋의 기존 슬라이스 수준 출혈 주석을 재구성된 3차원 볼륨에 매핑하였다.
• 전문가 검증을 거친 다중 클래스 픽셀 수준 주석을 5종류의 ICH 유형(EDH, SDH, SAH, IPH, IVH)에 대해 192개의 볼륨에 대해 수행하였다.
• 출혈성 및 비출혈성 사례를 포함한 총 2192개의 다양한 볼륨을 활용하여 모델의 일반화 능력을 향상시켰다.
• 최신 기술 수준의 모델인 nnU-Net을 사용해 지도 학습 및 준지도 학습 학습 프rotocol를 적용하였으며, 평균 교사, 교차 가짜 감독(CPS), 엔트로피 최소화, 보간 일致성 등의 방법을 포함하였다.
• Dice 유사도 계수(DSC)를 사용해 성능을 평가하였으며, 다중 클래스 모델을 단일 클래스 모델 융합 기반 모델 및 지도 학습 기반 기준 모델과 비교하였다.

실험 결과

연구 질문

• RQ1 3차원 다중 클래스 ICH 분할 데이터셋이 단일 클래스 분할 접근 방식에 비해 최신 기술 수준의 딥 러닝 모델의 성능을 크게 향상시킬 수 있는가?
• RQ2 학습 세트에 비출혈성 스캔을 포함시키는 것이 ICH 모델의 분할 성능을 향상시키는가?
• RQ3 레이블이 있는 슬라이스 수가 매우 적은 경우 준지도 학습 기법이 모델 성능을 얼마나 향상시킬 수 있는가?
• RQ4 BHSD 데이터셋에서 단일 다중 클래스 모델을 훈련시키는 것과 5개의 단일 클래스 모델을 융합하는 것의 성능는 어떻게 비교되는가?
• RQ5 다양한 준지도 학습 전략이 이진 및 다중 클래스 ICH 분할 작업에 어떤 영향을 미치는가?

주요 결과

• 단일 다중 클래스 모델은 평균 DSC 29.44%를 기록하여, 단일 클래스 모델 융합 기반 접근 방식(평균 DSC 19.68%)보다 유의미하게 높은 성능을 달성하였다.
• 교차 가짜 감독(CPS) 방법은 준지도 학습 기법 중에서 가장 높은 성능을 기록하였으며, 500개의 레이블이 없는 샘플을 사용한 이진 분할 작업에서 DSC 49.50%를 달성하였다.
• 비출혈성 스캔을 학습 세트에 포함시키는 것은 모델 성능 향상에 기여했지만, 정확도 저하를 방지하기 위해 균형 조정이 필요했다.
• 5개의 단일 클래스 모델 융합은 다수의 겹치고 충돌하는 예측을 초래하여, 다중 클래스 분할에 있어서 이 방법의 비효율성을 입증하였다.
• BHSD 데이터셋은 특히 후처리 융합이 아닌 엔드 투 엔드 다중 클래스 훈련을 통해 다중 클래스 ICH 분할 성능 향상에 뚜렷한 기여를 한다.
• 준지도 학습 기법, 특히 CPS는 레이블이 있는 픽셀 수가 제한된 상황에서도 분할 성능 향상 잠재력을 보였으며, 임상 환경에서 약한 레이블이 부여된 데이터의 유용성을 입증하였다.