[论文解读] ISLES 2022: A multi-center magnetic resonance imaging stroke lesion segmentation dataset

Moritz Roman Hernández Petzsche, Ezequiel de la Rosa+23 more|Zurich Open Repository and Archive (University of Zurich)|Jun 14, 2022

Acute Ischemic Stroke Management被引用 11

一句话总结

本文介绍了 ISLES 2022 数据集，这是一个大规模、多中心的 MRI 数据集，包含 400 例急性至亚急性缺血性卒中病例，配有专家标注的病灶分割结果。该数据集采用混合人工-算法的工作流程，并由神经放射科医生进行分层验证，以确保高质量标注，从而支持在不同扫描仪和临床阶段下对鲁棒且可泛化的深度学习模型进行卒中病灶分割的基准测试。

ABSTRACT

Magnetic resonance imaging (MRI) is a central modality for stroke imaging. It is used upon patient admission to make treatment decisions such as selecting patients for intravenous thrombolysis or endovascular therapy. MRI is later used in the duration of hospital stay to predict outcome by visualizing infarct core size and location. Furthermore, it may be used to characterize stroke etiology, e.g. differentiation between (cardio)-embolic and non-embolic stroke. Computer based automated medical image processing is increasingly finding its way into clinical routine. Previous iterations of the Ischemic Stroke Lesion Segmentation (ISLES) challenge have aided in the generation of identifying benchmark methods for acute and sub-acute ischemic stroke lesion segmentation. Here we introduce an expert-annotated, multicenter MRI dataset for segmentation of acute to subacute stroke lesions. This dataset comprises 400 multi-vendor MRI cases with high variability in stroke lesion size, quantity and location. It is split into a training dataset of n=250 and a test dataset of n=150. All training data will be made publicly available. The test dataset will be used for model validation only and will not be released to the public. This dataset serves as the foundation of the ISLES 2022 challenge with the goal of finding algorithmic methods to enable the development and benchmarking of robust and accurate segmentation algorithms for ischemic stroke.

研究动机与目标

• 解决急性与亚急性阶段缺血性卒中病灶分割领域缺乏大规模、多中心、高质量 MRI 数据集的问题。
• 通过结合专家监督的混合人工-算法标注流程，降低观察者间差异性和人工标注的工作负担。
• 实现在不同扫描仪、卒中表型和临床时间点（再灌注治疗前与后）下对分割模型的稳健评估。
• 支持开发可用于临床部署的自动化工具，以辅助卒中预后预测与治疗决策。

提出的方法

• 采用混合标注工作流程：首先使用在高质量标注数据上训练的深度学习模型进行初始自动预分割，随后由受训的医学生进行人工修正。
• 所有医学生标注的掩码均经过神经放射科住院医师的严格审查与修正，其中大部分由具有超过 10 年卒中影像经验的主治神经放射科医生进行最终验证。
• 影像数据通过 HD-BET 进行脑组织提取以实现去标识化，随后将 FLAIR 序列刚性配准到 DWI 序列，并利用配准后的脑组织掩码进行颅骨剥离。
• 所有 MRI 序列和分割掩码均以 NIfTI 格式存储，DICOM 元数据保留在 JSON 文件中。
• 数据集被划分为公开训练集（n=250）和未公开的测试集（n=150），在各中心和卒中表型之间保持平衡。
• 数据以 CC BY-SA 4.0 许可发布，并在 GitHub 上提供配套代码和可视化脚本，以支持可重现性与社区使用。

Figure 1: Exemplary 3D Snapshots through the ischemic center of mass. Axial FLAIR and DWI images are displayed in the top leftmost columns. The 3rd column from the left shows the maximum intensity projection (MIP) of the mask (Msk). The three rightmost columns show DWI with mask overlay (without MIP

实验结果

研究问题

• RQ1 混合人工-算法方法是否能显著提升标注效率，同时在卒中病灶分割中保持高水平的评分者间一致性？
• RQ2 在急性与亚急性卒中中，模型的泛化性能如何在不同 MRI 扫描仪、中心以及临床时间点（治疗前 vs. 治疗后）之间变化？
• RQ3 包含多中心、多厂商数据在多大程度上提升了深度学习模型在卒中病灶分割中的鲁棒性？
• RQ4 基于专家验证数据训练的自动化分割工具，其性能是否足以满足临床决策支持在卒中管理中的应用需求？

主要发现

• ISLES 2022 数据集包含 400 例多厂商 MRI 病例，配有专家验证的病灶分割结果，涵盖从大面积皮质梗死到小点状梗死的多样化病灶形态。
• 250 例的训练集以 CC BY-SA 4.0 许可公开发布，而 150 例的测试集保留用于竞赛评估，以确保公平的基准测试。
• 标注流程通过利用预训练的分割模型减少了人工工作量，最终的掩码经过包括主治神经放射科医生在内的多级专家验证。
• 数据集包含干预前与干预后的扫描，支持对模型在再灌注效应和扫描时间影响下的鲁棒性进行评估。
• 数据集涵盖三个中心，测试集包含一个在训练阶段未出现的新中心的数据，增强了泛化能力的评估。
• 配套的 GitHub 仓库提供了用于数据加载、可视化以及使用竞赛标准指标进行性能评估的代码。

Figure 2: Workflow of the hybrid human-algorithm stroke lesion segmentation applied in this dataset.