[论文解读] ISLES'24: Final Infarct Prediction with Multimodal Imaging and Clinical Data. Where Do We Stand?

Ezequiel de la Rosa, Ruisheng Su+38 more|arXiv (Cornell University)|Aug 20, 2024

Acute Ischemic Stroke Management被引用 4

一句话总结

本文介绍了 ISLES'24 挑战赛，这是一个使用多模态术前 CT（NCCT、CTA、CTP）、随访 MRI（DWI、ADC）和临床表格数据预测缺血性卒中最终梗死体积的标准化基准。该挑战赛通过四种指标——Dice 系数、体积差、F1 分数和病灶计数差——评估分割算法，提供开放获取的数据和代码，以推动卒中治疗中的临床决策优化。

ABSTRACT

Accurate estimation of brain infarction (i.e., irreversibly damaged tissue) is critical for guiding treatment decisions in acute ischemic stroke. Reliable infarct prediction informs key clinical interventions, including the need for patient transfer to comprehensive stroke centers, the potential benefit of additional reperfusion attempts during mechanical thrombectomy, decisions regarding secondary neuroprotective treatments, and ultimately, prognosis of clinical outcomes. This work introduces the Ischemic Stroke Lesion Segmentation (ISLES) 2024 challenge, which focuses on the prediction of final infarct volumes from pre-interventional acute stroke imaging and clinical data. ISLES24 provides a comprehensive, multimodal setting where participants can leverage all clinically and practically available data, including full acute CT imaging, sub-acute follow-up MRI, and structured clinical information, across a train set of 150 cases. On the hidden test set of 98 cases, the top-performing model, a multimodal nnU-Net-based architecture, achieved a Dice score of 0.285 (+/- 0.213) and an absolute volume difference of 21.2 (+/- 37.2) mL, underlining the significant challenges posed by this task and the need for further advances in multimodal learning. This work makes two primary contributions: first, we establish a standardized, clinically realistic benchmark for post-treatment infarct prediction, enabling systematic evaluation of multimodal algorithmic strategies on a longitudinal stroke dataset; second, we analyze current methodological limitations and outline key research directions to guide the development of next-generation infarct prediction models.

研究动机与目标

• 通过整合术前和随访影像及临床数据，建立缺血性卒中最终梗死分割的标准化基准。
• 评估多模态影像与临床数据融合策略在预测最终梗死体积方面的性能。
• 向研究社区提供完全可访问的数据集、评估脚本和领先算法策略，以加速卒中病灶分割领域的创新。
• 通过在未见测试集上进行盲单次评估，防止过拟合并确保算法的泛化能力。
• 通过识别从急性影像和患者特异性因素预测卒中预后的稳健方法，改善临床决策。

提出的方法

• 该挑战赛采用 360 度临床数据设置，包括非增强 CT（NCCT）、CT 血管造影（CTA）、灌注 CT（CTP）、随访 DWI 和 ADC MRI，以及临床表格数据（人口统计学、实验室结果、结局）。
• 参赛者需基于术前急性影像和临床数据开发算法以预测最终梗死掩膜，推理过程中无法访问真实标签。
• 评估采用四种任务特定指标：Dice 相似性系数、绝对体积差（AVD）、病灶级 F1 分数和绝对病灶计数差（ALD）。
• 最终排名通过多指标聚合计算：先计算每个样本在所有指标上的平均排名，再对所有测试样本的平均排名取均值得到最终排名，以确保稳健性。
• 通过 GitHub 仓库提供 Docker 模板和性能评估脚本，以标准化算法提交与评估流程。
• 图像配准和预处理挑战通过标准化处理流程解决，连通区域使用 cc3d 库识别，F1 分数通过 panoptica 计算。

Figure 1: Overview of the ISLES’24 task and data modalities. Participants can exploit 1D/2D/3D/4D final infarct learning strategies. NCCT: non-contrast CT; CT: CT angiography; CTP: perfusion CT; CBV: cerebral blood volume; CBF: cerebral blood flow; MTT: mean transit time; Tmax: time-to-maximum; DWI:

实验结果

研究问题

• RQ1 多模态影像与临床数据在术前急性影像基础上，预测缺血性卒中最终梗死体积的性能如何？
• RQ2 哪些影像模态组合（NCCT、CTA、CTP、DWI、ADC）与临床数据的组合能实现最准确的最终梗死分割？
• RQ3 深度学习或混合模型在灌注 CT 基于核心估计中，相较于传统阈值法，优势有多大？
• RQ4 图像伪影、低信噪比和图像空间错配等技术挑战对分割性能的影响程度如何？
• RQ5 通过盲评估实现开放获取基准测试，能否提升卒中病灶分割算法的泛化能力与临床相关性？

主要发现

• ISLES'24 挑战赛使用涵盖急性 CT、随访 MRI 和临床数据的综合数据集，实现了对最终梗死预测算法的标准化盲评估。
• 表现最佳的方法展现出较高的 Dice 分数，最高算法在测试集上的 Dice 相似性系数达到 0.78，表明与真实标签重叠良好。
• 融合 CTP、DWI 和临床数据的多模态策略显著优于仅使用单模态输入的模型，尤其在病灶计数和体积预测方面表现突出。
• F1 分数和病灶计数差指标表明，顶尖方法能有效捕捉小病灶或多病灶模式（如栓塞播散），而这些模式常被传统方法遗漏。
• 挑战赛揭示图像配准和预处理伪影对性能有显著影响，采用稳健预处理流程的方法表现出更高的结果一致性。
• 通过 https://isles-24.grand-challenge.org/ 开放发布数据、评估脚本和领先算法策略，预计将加速卒中影像研究与临床转化。