[论文解读] RESECT-SEG: Open access annotations of intra-operative brain tumor ultrasound images

Bahareh Behboodi, Francois-Xavier Carton+7 more|arXiv (Cornell University)|Jul 13, 2022

Radiomics and Machine Learning in Medical Imaging被引用 7

一句话总结

本论文介绍了 RESECT-SEG，这是一个公开可用的数据集，包含来自 RESECT 数据库的 23 例低级别胶质瘤患者术中超声（iUS）图像中脑肿瘤组织和切除腔的专家标注 3D 分割掩膜。该数据集由两名神经外科医生验证，可用于严格评估和训练神经外科医学影像导航中的深度学习与图像配准算法，解决了高质量 iUS 数据标注严重缺乏的关键问题。

ABSTRACT

Purpose: Registration and segmentation of magnetic resonance (MR) and ultrasound (US) images play an essential role in surgical planning and resection of brain tumors. However, validating these techniques is challenging due to the scarcity of publicly accessible sources with high-quality ground truth information. To this end, we propose a unique annotation dataset of tumor tissues and resection cavities from the previously published RESECT dataset (Xiao et al. 2017) to encourage a more rigorous assessments of image processing techniques. Acquisition and validation methods: The RESECT database consists of MR and intraoperative US (iUS) images of 23 patients who underwent resection surgeries. The proposed dataset contains tumor tissues and resection cavity annotations of the iUS images. The quality of annotations were validated by two highly experienced neurosurgeons through several assessment criteria. Data format and availability: Annotations of tumor tissues and resection cavities are provided in 3D NIFTI formats. Both sets of annotations are accessible online in the \url{https://osf.io/6y4db}. Discussion and potential applications: The proposed database includes tumor tissue and resection cavity annotations from real-world clinical ultrasound brain images to evaluate segmentation and registration methods. These labels could also be used to train deep learning approaches. Eventually, this dataset should further improve the quality of image guidance in neurosurgery.

研究动机与目标

• 解决公开可用、高质量术中超声（iUS）图像在脑肿瘤分割与配准方面稀缺的问题。
• 为 23 名低级别胶质瘤患者的 iUS 图像提供专家验证的肿瘤组织和切除腔分割掩膜。
• 支持深度学习与图像配准算法在神经外科医学影像导航中的开发、基准测试与验证。
• 通过真实临床 iUS 数据实现分割与配准技术的标准化评估。
• 通过开放数据共享促进可复现研究，加速计算机辅助神经外科学的创新。

提出的方法

• 该数据集包含来自 RESECT 数据库 23 名患者 iUS 扫描的 3D NIFTI 格式肿瘤组织和切除腔分割掩膜。
• 标注由经验丰富的神经外科医生使用标准化标准创建，以确保高评分者间一致性与临床相关性。
• iUS 扫描在三个手术阶段采集：肿瘤切除前、期间和之后，每个阶段均有对应标注。
• 该数据集托管于开放科学框架（OSF），网址为 https://osf.io/6y4db，采用 CC BY-NC-SA 4.0 许可，供开放、非商业用途使用。
• 通过将标注与原始 iUS 图像序列对齐，并根据手术时间点进行标记，确保方法的一致性。
• 该数据集通过提供空间精确、临床验证的标签，支持多实例分割与配准任务。

实验结果

研究问题

• RQ1 专家标注的 iUS 分割掩膜能否提升脑肿瘤分割深度学习模型的基准测试与验证效果？
• RQ2 切除腔标注的引入在神经外科导航图像配准中如何提升精度？
• RQ3 开放获取的高质量 iUS 标注在多大程度上能加速计算机辅助神经外科系统的发展？
• RQ4 多阶段标注（切除前、期间、后）对训练与评估动态手术图像分析算法有何影响？
• RQ5 标准化、公开可用的标注在多大程度上可减少医学图像分析研究中的变异性并提升可复现性？

主要发现

• RESECT-SEG 数据集是首个公开可用、经专家验证的脑肿瘤组织和切除腔在术中超声图像中的 3D 分割掩膜。
• 该数据集包含 23 名低级别胶质瘤患者的标注，iUS 扫描在三个手术阶段（切除前、期间、后）采集。
• 所有标注均由两名经验丰富的神经外科医生使用预定义的临床标准验证，确保高可靠性与临床相关性。
• 该数据集可免费获取，许可协议为 CC BY-NC-SA 4.0，网址为 https://osf.io/6y4db，适用于广泛的研究与临床应用。
• 该数据集支持用于多实例分割与基于配准的脑组织位移校正的深度学习模型训练与评估。
• 该数据集通过提供此前未公开的真实世界、标注 iUS 数据，填补了神经外科影像研究中的关键空白。