[论文解读] SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms

Soumick Chatterjee, Hendrik Mattern+46 more|arXiv (Cornell University)|Nov 14, 2024

Cerebrovascular and Carotid Artery DiseasesMedicine被引用 3

一句话总结

本文介绍了SMILE-UHURA挑战赛，这是一个用于在超高分辨率7T MRI脑血管造影中通过深度学习对中尺度脑血管（100–500 µm）进行分割的基准测试。研究提出了一个大规模、专家标注的数据集，并评估了16种方法，在保留测试数据上最高达到0.838的Dice分数，证明了尽管存在高噪声和低对比度，仍可在中尺度实现稳健的血管分割。

ABSTRACT

The human brain receives nutrients and oxygen through an intricate network of blood vessels. Pathology affecting small vessels, at the mesoscopic scale, represents a critical vulnerability within the cerebral blood supply and can lead to severe conditions, such as Cerebral Small Vessel Diseases. The advent of 7 Tesla MRI systems has enabled the acquisition of higher spatial resolution images, making it possible to visualise such vessels in the brain. However, the lack of publicly available annotated datasets has impeded the development of robust, machine learning-driven segmentation algorithms. To address this, the SMILE-UHURA challenge was organised. This challenge, held in conjunction with the ISBI 2023, in Cartagena de Indias, Colombia, aimed to provide a platform for researchers working on related topics. The SMILE-UHURA challenge addresses the gap in publicly available annotated datasets by providing an annotated dataset of Time-of-Flight angiography acquired with 7T MRI. This dataset was created through a combination of automated pre-segmentation and extensive manual refinement. In this manuscript, sixteen submitted methods and two baseline methods are compared both quantitatively and qualitatively on two different datasets: held-out test MRAs from the same dataset as the training data (with labels kept secret) and a separate 7T ToF MRA dataset where both input volumes and labels are kept secret. The results demonstrate that most of the submitted deep learning methods, trained on the provided training dataset, achieved reliable segmentation performance. Dice scores reached up to 0.838 $\pm$ 0.066 and 0.716 $\pm$ 0.125 on the respective datasets, with an average performance of up to 0.804 $\pm$ 0.15.

研究动机与目标

• 为7T MRI中中尺度血管分割缺乏公开可用的高质量标注数据集提供解决方案。
• 在具有挑战性的高噪声和低对比度的超高分辨率7T时间飞行法MRA上评估深度学习方法。
• 在人类脑血管中建立100–500 µm中尺度小血管分割的基准。
• 在保留测试数据和一个属性未知的独立秘密数据集上，对多种方法的性能进行比较。
• 揭示分割模型在捕捉细小血管细节与输出无噪声质量之间的权衡。

提出的方法

• 挑战赛采用基于3D U-Net的基线模型和一种多尺度、多分辨率的U-Net（DS6）作为参考模型。
• 通过自动预分割和专家评审员的大量人工精修，创建了一个大规模、高分辨率的7T时间飞行法MRA数据集。
• 方法在公开训练集上进行训练，并在两个测试集上进行评估：一个标签已知的（保留测试集）和一个输入与标签均保密的（秘密数据集）。
• 评估指标包括Dice分数、Hausdorff距离，以及对小血管分割和无噪声输出质量的专家评分。
• 数据集包含各向同性分辨率细至150 µm的影像，支持中尺度血管的可视化。
• 另有一个分辨率提高一倍的高分辨率挑战影像，用于测试模型的泛化能力和鲁棒性。

实验结果

研究问题

• RQ1 尽管存在高噪声和低对比度，深度学习模型是否能在超高分辨率7T MRA中实现可靠的中尺度脑血管分割？
• RQ2 在保留测试集和秘密测试集上，不同网络架构和预处理策略在Dice分数和抗噪能力方面的表现如何比较？
• RQ3 在捕捉细小血管细节与生成清晰无噪声分割输出之间存在何种权衡？
• RQ4 模型在具有不同分辨率和图像特性的数据集之间泛化的程度如何？
• RQ5 在临床相关性评估中，专家评分与Dice和Hausdorff距离等定量指标的相关性如何？

主要发现

• 最佳方法在保留测试集上达到0.838 ± 0.066的Dice分数，证明了极高的分割精度。
• 在秘密数据集上，最先进方法达到0.716 ± 0.125的Dice分数，表明其在未见的高噪声数据上表现强劲。
• 所有方法的平均Dice分数为0.804 ± 0.15，表明在多种架构中均保持了稳定且高水平的性能。
• Koala Manual方法在秘密数据集上对小血管分割的专家评分最高（4.0 ± 1.0），但其无噪声得分较低（1.0 ± 1.5），表明其在细节捕捉方面表现优异，但牺牲了输出的纯净度。
• 基线模型（UNet MSS和DS6）在两个数据集和所有评估标准下均表现出强大且一致的性能，可作为稳健的基准。
• 专家评分揭示了权衡关系：在细小血管捕捉方面表现优异的方法（如Koala Manual）往往产生更嘈杂的输出，而输出更干净的模型则牺牲了细节。