[论文解读] APIS: A paired CT-MRI dataset for ischemic stroke segmentation challenge

Santiago Gómez, Daniel Mantilla+5 more|arXiv (Cornell University)|Sep 26, 2023

Acute Ischemic Stroke Management被引用 4

一句话总结

APIS引入了首个公开可用的缺血性卒中病灶分割配对CT-MRI数据集，包含60个训练病例和36个测试病例，涵盖非增强CT（NCCT）和表观扩散系数（ADC）MRI序列，均由两名专家放射科医生标注。尽管采用了先进的深度学习方法，NCCT病灶分割的最佳DICE分数仅为0.20，凸显了在互补的MRI引导下，低对比度缺血性病灶在CT中仍面临持续挑战。

ABSTRACT

Stroke is the second leading cause of mortality worldwide. Immediate attention and diagnosis play a crucial role regarding patient prognosis. The key to diagnosis consists in localizing and delineating brain lesions. Standard stroke examination protocols include the initial evaluation from a non-contrast CT scan to discriminate between hemorrhage and ischemia. However, non-contrast CTs may lack sensitivity in detecting subtle ischemic changes in the acute phase. As a result, complementary diffusion-weighted MRI studies are captured to provide valuable insights, allowing to recover and quantify stroke lesions. This work introduced APIS, the first paired public dataset with NCCT and ADC studies of acute ischemic stroke patients. APIS was presented as a challenge at the 20th IEEE International Symposium on Biomedical Imaging 2023, where researchers were invited to propose new computational strategies that leverage paired data and deal with lesion segmentation over CT sequences. Despite all the teams employing specialized deep learning tools, the results suggest that the ischemic stroke segmentation task from NCCT remains challenging. The annotated dataset remains accessible to the public upon registration, inviting the scientific community to deal with stroke characterization from NCCT but guided with paired DWI information.

研究动机与目标

• 解决缺血性卒中病灶分割领域缺乏公开可用的配对CT-MRI数据集的问题。
• 通过利用互补的MRI（ADC）信息，减少主观性并提升基于NCCT的病灶分割的泛化能力。
• 向社区发起挑战，推动开发能够将高灵敏度ADC信息迁移至低灵敏度NCCT扫描的计算模型。
• 通过使深度学习模型能够从配对的多模态表示中学习，支持快速、准确的卒中诊断。

提出的方法

• 该数据集包含60对用于训练的NCCT和ADC扫描，病灶标注由两名专家放射科医生完成。
• 另设36例独立测试集用于评估，以NCCT作为输入，专家标注作为真实标签。
• 参赛者需在配对数据上训练模型，但仅在NCCT输入上进行评估，以模拟真实临床部署场景。
• 挑战采用标准指标评估模型性能：DICE分数和豪斯多夫距离（HD），并将预测结果与两名专家的标注进行比较。
• 该框架鼓励开发跨模态知识迁移方法，使ADC的发现指导NCCT的病灶分割。
• 实施了验证协议，通过评估专家标注间的评分者间一致性来评估模型的泛化能力。

实验结果

研究问题

• RQ1 深度学习模型能否有效将高灵敏度ADC-MRI中的病灶信息迁移至低灵敏度NCCT，以实现缺血性卒中病灶分割？
• RQ2 配对MRI数据的引入在多大程度上提升了基于NCCT的病灶分割的鲁棒性和准确性？
• RQ3 当基于多名专家标注评估时，NCCT病灶分割模型的泛化能力如何？
• RQ4 当前模型架构在多大程度上克服了NCCT中低对比度、低密度缺血性病灶的挑战？
• RQ5 从ADC数据生成合成NCCT是否能提升病灶检测的敏感性？

主要发现

• 表现最佳的模型在NCCT病灶分割上对两名专家放射科医生的DICE分数均为0.20，表明尽管使用了配对数据，性能仍有限。
• 豪斯多夫距离（HD）分数分别为67.68和64.91，证实了病灶边界预测存在较高的空间误差。
• 在ADC扫描上，最佳DICE分数达到0.67和0.58，表明MRI对病灶检测具有高敏感性。
• ADC与NCCT之间性能差距凸显了由于对比度低和低密度特性，CT中检测细微缺血性改变的困难。
• 在41支注册团队中仅有4支提交了有效解决方案，表明该任务仍极具挑战性。
• 结果表明，当前深度学习模型难以从配对数据泛化到仅NCCT的推理场景，凸显了对改进网络架构设计的迫切需求。