[论文解读] 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 7

一句话总结

本论文提出了 GBM-Reservoir，一种用于 BraTS 2023 挑战赛中脑肿瘤分割的合成数据增强方法。通过利用基于 GAN 的生成（GliGAN）和图像配准技术生成多样化的训练数据，作者提升了三种模型——nnU-Net、Swin UNETR 和 BraTS 2021 冠军模型——在验证集上的表现，Dice 分数分别为 0.9005（整体肿瘤）、0.8673（肿瘤核心）和 0.8509（增强肿瘤），HD95 分数分别为 14.940、14.467 和 17.699。

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.

研究动机与目标

• 通过生成合成 MRI 扫描图像，缓解脑肿瘤分割任务中高质量医学影像数据稀缺的问题。
• 通过结合 GAN 和图像配准技术进行增强的数据增强，提升深度学习模型的泛化能力和鲁棒性。
• 开发一种高性能的集成模型，融合多种架构（nnU-Net、Swin UNETR、BraTS 2021 冠军模型），并在合成数据与真实数据上进行训练。
• 通过后处理阈值化和高效的推理策略优化推理过程，以提升在 BraTS 2023 验证集上的性能。

提出的方法

• 采用 GliGAN（一种条件 GAN）生成 T1、T2、T1-FLAIR 和 T1-CE MRI 序列中逼真的胶质母细胞瘤表现形态。
• 利用基于强度的图像配准技术，将合成的肿瘤与真实脑部解剖结构对齐，以提升解剖学上的合理性。
• 训练三种不同的深度学习模型：标准 nnU-Net、Swin UNETR 和 BraTS 2021 冠军模型，均使用相同的合成数据流程。
• 通过平均三个模型的概率图实现模型集成，随后进行基于阈值的后处理，以减少假阳性结果。
• 通过在推理阶段禁用数据增强来优化推理过程，该方法提升了性能并实现了更快的推理速度（最高达 8 倍加速）。
• 采用针对验证集的阈值调优策略（WT250TC150ET100），以在 Dice 和 HD95 指标之间取得平衡，该策略与训练集的阈值不同。

实验结果

研究问题

• RQ1 通过 GAN 和配准技术生成的合成数据，是否能在低数据环境下显著提升脑肿瘤分割性能？
• RQ2 在多种架构（nnU-Net、Swin UNETR 和先前冠军模型）之间采用集成学习，如何提升分割的鲁棒性和准确性？
• RQ3 在 BraTS 2023 验证集中，何种最优后处理阈值策略可实现 Dice 分数与 HD95 指标的最佳平衡？
• RQ4 在推理阶段禁用数据增强是否能在不损失性能的前提下提升泛化能力并加快推理速度？
• RQ5 使用合成数据是否会影响模型在小肿瘤或复杂肿瘤等具有挑战性病例上的泛化能力？

主要发现

• 所有三种模型（nnU-Net、Swin UNETR 和 BraTS 2021 冠军模型）的集成在验证集上取得了最佳 Dice 分数：整体肿瘤为 0.9005，肿瘤核心为 0.8673，增强肿瘤为 0.8509。
• HD95 指标分别为：整体肿瘤 14.940，肿瘤核心 14.467，增强肿瘤 17.699，表明尽管存在少数异常值，边界定位仍具高精度。
• 采用验证集优化的阈值（WT250TC150ET100）进行后处理，相比训练集阈值显著提升了性能，尤其在 HD95 指标上表现突出。
• 在推理阶段禁用数据增强后，验证集性能得到提升，并实现了更快的推理速度（最高达 8 倍加速），从而使得可纳入更多模型参与集成。
• 使用 GliGAN 进行合成数据增强，在增强肿瘤（ET）区域的 Dice 和 HD95 指标上均取得了最佳结果。
• 集成策略 SG,G,G,rG,rG,rG_B,L,S,B,L,S（完整模型集成）在平均 Dice 分数上表现最佳，而 SrG,rG,rG_B,L,S 在 HD95 指标上表现最优，表明不同指标之间存在权衡。