[论文解读] A Bibliography of Multiple Sclerosis Lesions Detection Methods using Brain MRIs

Atif Shah, Maged S. Al-Shaibani+2 more|arXiv (Cornell University)|Feb 19, 2023

Brain Tumor Detection and Classification被引用 4

一句话总结

本文对241项关于多发性硬化症（MS）脑部MRI病灶检测的研究进行了全面的文献综述，将方法分类为六类：数据驱动、统计、监督机器学习、无监督学习、模糊逻辑和深度学习。研究发现，当前深度学习方法表现优于其他方法，顶尖模型的Dice分数超过0.8，同时指出了未来研究的关键空白。

ABSTRACT

Introduction: Multiple Sclerosis (MS) is a chronic disease that affects millions of people across the globe. MS can critically affect different organs of the central nervous system such as the eyes, the spinal cord, and the brain. Background: To help physicians in diagnosing MS lesions, computer-aided methods are widely used. In this regard, a considerable research has been carried out in the area of automatic detection and segmentation of MS lesions in magnetic resonance images (MRIs). Methodology: In this study, we review the different approaches that have been used in computer-aided detection and segmentation of MS lesions. Our review resulted in categorizing MS lesion segmentation approaches into six broad categories: data-driven, statistical, supervised machine learning, unsupervised machine learning, fuzzy, and deep learning-based techniques. We critically analyze the different techniques under these approaches and highlight their strengths and weaknesses. Results: From the study, we observe that a considerable amount of work, around 25% of related literature, is focused on statistical-based MS lesion segmentation techniques, followed by 21.15% for data-driven based methods, 19.23% for deep learning and 15.38% for supervised methods. Implication: The study points out the challenges/gaps to be addressed in future research. The study shows the work which has been done in last one decade in detection and segmentation of MS lesions. The results show that, in recent years, deep learning methods are outperforming all the others methods.

研究动机与目标

• 系统性回顾并分类现有用于脑部MRI中MS病灶检测的计算机辅助诊断（CAD）方法。
• 识别2005年至2020年间MS病灶分割的主流方法论趋势。
• 利用Dice相似系数（DSC）等标准化指标，评估不同方法（尤其是深度学习）的性能。
• 突出当前方法论的局限性与研究空白，以促进未来MS-CAD系统的改进。
• 为在多样化数据集和临床环境中评估与比较MS病灶检测技术提供结构化框架。

提出的方法

• 本研究采用系统性文献综述方法，利用IEEE Xplore、PubMed、Google Scholar和Scopus等数据库，涵盖2005年1月至2020年12月期间的出版物。
• 方法被划分为六类：数据驱动、统计、监督机器学习、无监督机器学习、模糊逻辑和基于深度学习的技术。
• 性能评估聚焦于标准分割指标：Dice相似系数（DSC）、敏感性（Sen）、特异性（Spec）、阳性预测值（PPV）和假阳性率（FPR）。
• 综述共包含241项研究，对24篇具有代表性的论文进行了详细分析，这些论文报告了在公开数据集（如ISBI 2015）和私有数据集上的定量结果。
• 对深度学习模型（特别是3D-CNN、U-Net架构和基于GAN的框架）在体素级和病灶级检测能力方面进行了分析。
• 统计和数据驱动方法评估其对强度建模和空间先验的依赖性，而模糊和监督方法则评估其鲁棒性与泛化能力。

Figure 1: MS papers statistics for period of 2001 - 2020

实验结果

研究问题

• RQ1 2005年至2020年间，自动MS病灶检测在脑部MRI中采用的主流方法论是什么？
• RQ2 不同类别的方法（尤其是深度学习）在Dice相似系数（DSC）、敏感性和PPV等性能指标上的表现如何比较？
• RQ3 MS病灶分割研究中最常使用的数据集有哪些？模型性能在不同数据集上如何变化？
• RQ4 当前MS病灶检测系统在临床适用性和泛化能力方面存在哪些关键局限与研究空白？
• RQ5 深度学习模型在脑部MRI中检测MS病灶方面，相较于传统方法在多大程度上表现更优？

主要发现

• 深度学习方法占综述文献的19.23%，已成为最有效的方法，顶尖模型在私有数据集上达到0.83的DSC。
• 表现最佳的模型（Salem et al., 2020）在60例患者的数据库上，使用全卷积神经网络（FCNN），实现了0.83的DSC、83.09%的敏感性和9.36%的FPR。
• 在ISBI 2015数据集上，Aslani et al. (2019) 报告的DSC为0.7067，而Gabr et al. (2019) 在白质和灰质中分别达到0.95和0.96的DSC。
• 基于统计的方法最为普遍（占文献的25%），其次是数据驱动方法（21.15%）和监督学习方法（15.38%）。
• 尽管在某些数据集上表现优异，模型在泛化能力方面仍存在差异——例如，Krüger et al. (2020) 在Zurich数据集上仅报告了0.39的DSC，表明在实际部署中仍面临挑战。
• 本研究识别出缺乏标准化基准测试和跨数据集的一致性评估，凸显了未来研究在构建统一验证框架方面的重要空白。

Figure 2: Different types of MRI’s