[論文レビュー] GBM-Reservoir: Dataset and Segmentations

Naida Solak, André Ferreira+4 more|arXiv (Cornell University)|Jan 1, 2024

Brain Tumor Detection and Classification被引用数 7

ひとこと要約

本論文は、BraTS 2023 チャレンジにおける脳腫瘍セグメンテーションのための合成データ拡張手法である GBM-Reservoir を提案する。GAN を用いた合成（GliGAN）と画像登録を活用して多様な訓練データを生成することで、nnU-Net、Swin UNETR、および BraTS 2021 優勝モデルの3つのモデルを向上させ、検証セットにおいて、全腫瘍（WT）で 0.9005、腫瘍コア（TC）で 0.8673、強化腫瘍（ET）で 0.8509 の Dice スコア、HD95 はそれぞれ 14.940、14.467、17.699 を達成した。

ABSTRACT

In this repository, we present a brain tumor database collection comprising 23,049 samples, with each sample including four different types of MRI brain scans: FLAIR, T1, T1ce, and T2. Additionally, two segmentation masks (ground truth) are provided for each sample. The first mask is the raw output from the registration process, while the second is a post-processed version of the first, designed to simplify interpretation and optimize it for network training. These samples have been acquired via registration process of 438 samples available at the moment of registration from the original dataset provided by the BraTS 2022 Challenge. Registering each pair of existing brain scans results in two additional scans that retain a similar brain shape while featuring varying tumor locations. Consequently, by registering all possible pairs, a dataset originally consisting of n samples can be expanded to n² samples. The original dataset was collected from different institutions under standard clinical conditions, but with different equipment and imaging protocols. As a result, the image quality is heterogeneous, reflecting the diversity of clinical practices across institutions. This dataset can be utilized for various tasks, such as developing fully automated segmentation algorithms for new, unseen brain tumor cases, particularly through deep learning-based approaches, since ground truth is provided for each sample.

研究の動機と目的

• 脳腫瘍セグメンテーションのための高品質な医用画像データの不足に対処するため、合成 MRI スキャンを生成する。
• GAN と画像登録を用いた拡張により、深層学習モデルの汎化性とロバスト性を向上させる。
• 合成データおよび実データで訓練された複数のアーキテクチャ（nnU-Net、Swin UNETR、BraTS 2021 優勝モデル）を統合した高性能なアンサンブルモデルを開発する。
• 推論の最適化を図るために、後処理のしきい値設定と効率的な推論戦略を用い、BraTS 2023 検証セットでの性能を向上させる。

提案手法

• T1、T2、T1-FLAIR、T1-CE MRI シーケンスにおいて、実際の膠芽腫瘍の外観を再現する条件付き GAN（GliGAN）を用いて合成画像を生成する。
• 強度ベースの画像登録を用いて、合成腫瘍を実際の脳解剖に一致させ、解剖学的整合性を向上させる。
• 同じ合成データパイプラインを用いて、標準的な nnU-Net、Swin UNETR、および BraTS 2021 優勝モデルの3つの異なる深層学習モデルを訓練する。
• 3つのモデルの確率マップを平均化してアンサンブルし、その後、誤検出を低減するためしきい値ベースの後処理を適用する。
• 推論時にデータ拡張を無効化することで推論を最適化し、性能向上と高速化（最大 8 倍の高速化）を達成した。
• 検証セット固有のしきい値チューニング戦略（WT250TC150ET100）を用い、Dice と HD95 の両方の指標をバランスさせる。これは訓練セットのしきい値とは異なる。

実験結果

リサーチクエスチョン

• RQ1 GAN と登録を用いた合成データ生成が、データが少ない状況下で脳腫瘍セグメンテーション性能を顕著に向上させることができるか？
• RQ2 異なるアーキテクチャ（nnU-Net、Swin UNETR、および過去の優勝モデル）を統合したアンサンブル学習が、セグメンテーションのロバスト性と正確性をどのように向上させるか？
• RQ3 BraTS 2023 検証セットにおいて、Dice スコアと HD95 をバランスさせる最適な後処理のしきい値戦略は何か？
• RQ4 推論時にデータ拡張を無効化することで、性能を損なわず、汎化性と推論速度が向上するか？
• RQ5 合成データの使用が、小規模または複雑な腫瘍を有する困難な症例への一般化能力にどのように影響を与えるか？

主な発見

• nnU-Net、Swin UNETR、BraTS 2021 優勝モデルの3つのモデルを統合したアンサンブルが、検証セットで最高の Dice スコアを達成した：全腫瘍（WT）で 0.9005、腫瘍コア（TC）で 0.8673、強化腫瘍（ET）で 0.8509。
• HD95 の指標は、全腫瘍で 14.940、腫瘍コアで 14.467、強化腫瘍で 17.699 であり、一部の外れ値が存在するが、境界の正確性が高く保たれていることが示された。
• 検証セットに最適化されたしきい値（WT250TC150ET100）を用いた後処理は、訓練セットのしきい値よりも顕著に性能を向上させ、特に HD95 の改善が顕著であった。
• 推論時にデータ拡張を無効化することで、検証セットでの性能が向上し、最大 8 倍の高速化が達成された。これにより、アンサンブルにさらに多くのモデルを組み込むことが可能になった。
• GliGAN を用いた合成データ拡張により、強化腫瘍（ET）領域で、Dice と HD95 の両方の指標で最高の結果が得られた。
• アンサンブル戦略 SG,G,G,rG,rG,rG_B,L,S,B,L,S（完全モデルアンサンブル）が最高の平均 Dice スコアを達成したが、SrG,rG,rG_B,L,S が最高の HD95 を達成した。これは、指標間のトレードオフが存在することを示唆している。