[论文解读] fastMRI+: Clinical Pathology Annotations for Knee and Brain Fully Sampled Multi-Coil MRI Data

Ruiyang Zhao, Burhaneddin Yaman+8 more|arXiv (Cornell University)|Sep 8, 2021

Medical Imaging Techniques and Applications参考文献 11被引用 15

一句话总结

本文介绍了 fastMRI+，这是 fastMRI 数据集的临床标注扩展版本，为膝关节 MRI 提供了 16,154 个专家验证的边界框标注和 22 种病理类型的 13 项研究级标签，为脑部 MRI 提供了 7,570 个边界框标注和 30 种病理类型的 643 项研究级标签。该数据集支持在临床相关病理监督下进行深度学习研究，推动了诊断感知型图像重建模型的发展。

ABSTRACT

Improving speed and image quality of Magnetic Resonance Imaging (MRI) via novel reconstruction approaches remains one of the highest impact applications for deep learning in medical imaging. The fastMRI dataset, unique in that it contains large volumes of raw MRI data, has enabled significant advances in accelerating MRI using deep learning-based reconstruction methods. While the impact of the fastMRI dataset on the field of medical imaging is unquestioned, the dataset currently lacks clinical expert pathology annotations, critical to addressing clinically relevant reconstruction frameworks and exploring important questions regarding rendering of specific pathology using such novel approaches. This work introduces fastMRI+, which consists of 16154 subspecialist expert bounding box annotations and 13 study-level labels for 22 different pathology categories on the fastMRI knee dataset, and 7570 subspecialist expert bounding box annotations and 643 study-level labels for 30 different pathology categories for the fastMRI brain dataset. The fastMRI+ dataset is open access and aims to support further research and advancement of medical imaging in MRI reconstruction and beyond.

研究动机与目标

• 为解决 fastMRI 数据集中缺乏临床病理标注的问题，该问题限制了临床相关 MRI 重建方法的发展。
• 通过整合经专家验证的病理标签，使深度学习模型不仅能学习图像质量，还能学习诊断准确性。
• 支持在重建过程中保留或增强临床显著病理特征的 MRI 重建研究。
• 通过由亚专科放射科医生标注的开放获取、多线圈、完全采样的 MRI 数据，扩展 fastMRI 数据集。
• 促进开发不仅快速准确，而且诊断可靠的重建框架。

提出的方法

• 作者从 fastMRI 数据集中收集并整理了膝关节和脑部 MRI 的完全采样、多线圈 MRI 数据。
• 亚专科放射科医生使用边界框对膝关节和脑部 MRI 扫描中的病灶进行了手动标注。
• 每项扫描均标注了研究级病理标签，以指示 22 种（膝关节）和 30 种（脑部）特定病理的存在或不存在。
• 通过多位专家读者对标注进行一致性与准确性验证，以确保临床可靠性。
• 该数据集以开放获取方式发布，以支持医学影像和基于 AI 的重建研究的可重现性。
• 数据结构支持下游任务中的实例级（边界框）和研究级（诊断标签）分析。

实验结果

研究问题

• RQ1 在 fastMRI+ 上训练的深度学习模型是否能提升加速 MRI 重建中临床相关病理的检测能力？
• RQ2 专家标注的病理标签的引入在多大程度上影响了 MRI 重建模型在保留诊断特征方面的性能？
• RQ3 膝关节和脑部 MRI 中不同病理类别在多大程度上受益于病理感知重建框架？
• RQ4 当存在病灶时，重建图像的质量与诊断信心之间的相关性如何？
• RQ5 fastMRI+ 数据集能否作为评估新型 MRI 重建算法临床相关性的基准？

主要发现

• fastMRI+ 数据集包含 16,154 个由亚专科医生验证的膝关节 MRI 病理类别（共 22 种）的边界框标注，以及 7,570 个脑部 MRI 病理类别（共 30 种）的类似标注。
• 该数据集包含 13 项膝关节 MRI 的研究级标签和 643 项脑部 MRI 的研究级标签，支持对重建模型的诊断级评估。
• 所有标注均由亚专科放射科医生完成，确保了高度的临床相关性和诊断准确性。
• 该数据集完全开放获取，支持 MRI 重建和病理检测领域的可重现研究与基准测试。
• 同时包含实例级和研究级标签，使得模型在检测和保留病灶方面的性能可进行多尺度评估。
• 该数据集支持开发不仅快速准确，而且诊断可信的重建模型的新研究方向。