[논문 리뷰] The ASNR-MICCAI Brain Tumor Segmentation (BraTS) Challenge 2023: Intracranial Meningioma

Dominic LaBella, Maruf Adewole외 58명|arXiv (Cornell University)|2023. 05. 12.

Meningioma and schwannoma management인용 수 22

한 줄 요약

이 논문은 multiparametric MRI에서 자동화된 두개강 내 수막종(Meningioma) 분할을 위한 BraTS 2023 도전을 설명하고, 하위 영역, 데이터 수집, 전처리, 주석 워크플로우 및 최신 모델 벤치마크 평가 지표를 제시한다.

ABSTRACT

Meningiomas are the most common primary intracranial tumor in adults and can be associated with significant morbidity and mortality. Radiologists, neurosurgeons, neuro-oncologists, and radiation oncologists rely on multiparametric MRI (mpMRI) for diagnosis, treatment planning, and longitudinal treatment monitoring; yet automated, objective, and quantitative tools for non-invasive assessment of meningiomas on mpMRI are lacking. The BraTS meningioma 2023 challenge will provide a community standard and benchmark for state-of-the-art automated intracranial meningioma segmentation models based on the largest expert annotated multilabel meningioma mpMRI dataset to date. Challenge competitors will develop automated segmentation models to predict three distinct meningioma sub-regions on MRI including enhancing tumor, non-enhancing tumor core, and surrounding nonenhancing T2/FLAIR hyperintensity. Models will be evaluated on separate validation and held-out test datasets using standardized metrics utilized across the BraTS 2023 series of challenges including the Dice similarity coefficient and Hausdorff distance. The models developed during the course of this challenge will aid in incorporation of automated meningioma MRI segmentation into clinical practice, which will ultimately improve care of patients with meningioma.

연구 동기 및 목표

• 다중 매개변수 MRI에서 자동화된 두개강 내 수막종 분할을 위한 커뮤니티 표준 및 벤치마크를 제공한다.
• 강력한 모델 학습을 위한 서로 다른 종양 하위 영역을 포함하는 대규모의 전문가 주석이 달린 다기관 데이터셋을 생성한다.
• 수술 계획, 방사선 치료 및 종적 모니터링을 돕기 위한 일반화 가능한 분할 모델을 촉진한다.

제안 방법

• 세 가지 비중첩 분할 레이블 정의: 강화 종양, 비강화 종양 코어, 및 부종(SNFH).
• 수술 전, 치료 전 사례를 포함한 대규모 다기관 mpMRI 데이터셋을 구성하고 T1Gd, T1, T2, FLAIR 시퀀스를 포함한다.
• 표준화된 전처리 적용(DICOM을 NIfTI로, SRI24 공간에 대한 공동 정합, 1 mm 등방성 재샘플링, 두개골 제거).
• 자동 다-구획 사전 분할을 위한 nnU-Net 기반 프리세그먼테이션 모델을 사용하고 주석자와 전문가 승인의 리뷰에 의한 수동 수정이 뒤따른다.
• 주석자 지침을 제공하고 일관성 향상을 위해 일반적인 자동 분할 오류를 문서화한다.

실험 결과

연구 질문

• RQ1 다수의 센터에 걸친 mpMRI에서 자동 다-구획 수막종 분할의 실행 가능성과 정확성은 어느 수준인가?
• RQ2 전문가 주석이 포함된 크고 다양한 데이터셋이 수막종의 강화 종양, 비강화 코어, 부종 영역에 대해 일반화 가능한 모델을 제공할 수 있는가?
• RQ3 사이트 간 반복 학습 및 인간-연산 루프 수정으로 사전 분할 편향을 어떻게 완화할 수 있는가?
• RQ4 수술 계획 및 방사선 치료에 대한 자동 수막종 분할의 잠재적 번역적 영향은 무엇인가?
• RQ5 BraTS 수막종 도전을 더 넓은 임상 시나리오로 확장하는 데 있어 한계와 향후 방향은 무엇인가?

주요 결과

• 도전 과제는 세 가지 비중첩 레이블을 정의한다: 강화 종양, 비강화 종양 코어, 및 부종(SNFH).
• 데이터는 16개 사이트에서 수집되었으며 전체적으로 약 1,650건에 이르고, 여러 시퀀스를 포함한 수술 전 mpMRI를 포함한다.
• 전처리는 공통 해 atlas에 대한 코등록, 두개골 제거, FeTS 도구를 통한 1 mm 등방성 재샘플링을 포함한다.
• 일반화 가능성을 높이기 위해 수동 보정을 이용한 반복 학습으로 자동 nnU-Net 프리세그먼테이션 모델이 점진적으로 재학습된다.
• 수동 교정 워크플로우는 ITK-SNAP을 사용하고 승인자 리뷰를 통해 관찰자 간 변동성을 줄이고 라벨 품질을 보장한다.