Sign In

Longitudinal Vestibular Schwannoma Dataset with Consensus-based Human-in-the-loop Annotations

Created by
  • Haebom
Category
Empty

저자

Navodini Wijethilake, Marina Ivory, Oscar MacCormac, Siddhant Kumar, Aaron Kujawa, Lorena Garcia-Foncillas Macias, Rebecca Burger, Amanda Hitchings, Suki Thomson, Sinan Barazi, Eleni Maratos, Rupert Obholzer, Dan Jiang, Fiona McClenaghan, Kazumi Chia, Omar Al-Salihi, Nick Thomas, Steve Connor, Tom Vercauteren, Jonathan Shapey

개요

자기 공명 영상(MRI)에서 전정 신경초종(VS)의 정확한 분할은 환자 관리에 필수적이지만, 전문가의 시간 집약적인 수동 주석이 필요한 경우가 많습니다. 최근 딥 러닝(DL)의 발전으로 자동 분할이 용이해졌지만, 다양한 데이터 세트와 복잡한 임상 사례에서 견고한 성능을 달성하는 데 어려움이 있습니다. 본 연구에서는 반복적인 분할 및 품질 개선을 위한 부트스트랩된 DL 기반 프레임워크에서 파생된 주석 처리된 데이터 세트를 제시합니다. 여러 센터의 데이터를 결합하고, 주석의 신뢰성을 위해 전문가 합의를 기반으로 합니다. 우리의 접근 방식이 자동 분할 모델의 대상 데이터 분포에 대한 효과적이고 자원 효율적인 일반화를 가능하게 함을 보여줍니다. 프레임워크는 대상 내부 검증 데이터 세트에서 Dice 유사성 계수(DSC)를 0.9125에서 0.9670으로 증가시켜 분할 정확도를 크게 향상시키는 동시에 대표적인 외부 데이터 세트에서 안정적인 성능을 유지했습니다. 143개의 스캔에 대한 전문가 평가는 모델 개선이 필요한 미묘한 사례를 밝혀 분할에 전문가 개입이 필요한 영역을 강조했습니다. 제안된 접근 방식은 기존 수동 주석 처리 프로세스에 비해 약 37.4% 효율성을 향상시키는 것으로 추정됩니다. 전반적으로 인간-반복적 모델 훈련 접근 방식은 높은 분할 정확도를 달성하여 다양한 임상 환경에서 자동 VS 분할을 위한 임상적으로 적응 가능하고 일반화 가능한 전략으로서의 잠재력을 강조합니다. 이 데이터 세트에는 190명의 환자가 포함되어 있으며, 184명의 환자로부터 얻은 534개의 종단적 조영 증강 T1 강조(T1CE) 스캔에 대한 종양 주석이 제공되고, 6명의 환자로부터 얻은 주석 처리되지 않은 T2 강조 스캔이 제공됩니다. 이 데이터 세트는 The Cancer Imaging Archive (TCIA) (https://doi.org/10.7937/bq0z-xa62)에서 공개적으로 액세스할 수 있습니다.

시사점, 한계점

시사점:
DL 기반 프레임워크를 활용하여 VS 분할의 정확도 향상 (DSC 0.9670 달성).
다기관 데이터셋을 활용하여 일반화 성능 확보.
전문가 평가를 통해 모델 개선 방향 제시.
수동 주석 대비 약 37.4% 효율성 향상.
공개 데이터셋 제공으로 연구 접근성 향상.
한계점:
전문가 개입이 필요한 미묘한 사례 존재.
T2 강조 스캔의 비 주석 처리.
👍