How We Won the ISLES'24 Challenge by Preprocessing
Created by
Haebom
저자
Tianyi Ren, Juampablo E. Heras Rivera, Hitender Oswal, Yutong Pan, William Henry, Jacob Ruzevick, Mehmet Kurt
개요
본 논문은 전 세계 사망 원인 상위 3위 안에 드는 뇌졸중의 병변 경계를 정확하게 식별하는 것이 진단 및 치료에 중요함을 강조하며, 이를 위한 주요 해결책으로 지도 학습 심층 학습 방법이 부상했지만, 크고 다양하며 주석이 달린 데이터 세트가 필요하다는 점을 지적합니다. ISLES'24 챌린지는 병원 도착 시 촬영한 CT 스캔과 도착 후 2-9일 후 촬영한 추적 MRI를 포함하는 종단적 뇌졸중 영상 데이터를 제공하여 이러한 문제를 해결합니다. 추적 MRI에서 파생된 주석을 사용하지만, ISLES'24 챌린지에 제출된 모델은 CT 입력만을 사용하여 평가되므로, CT 스캔에서 보이지 않을 수 있는 병변 진행을 예측해야 합니다. 본 논문의 제시하는 최고 성능의 해결책은 심층 학습 기반 두개골 제거 및 사용자 정의 강도 창 조정을 포함하는 신중하게 설계된 전처리 파이프라인이 정확한 분할에 유익함을 보여줍니다. 분할을 위한 표준 대규모 잔차 nnU-Net 아키텍처와 결합하여 평균 테스트 Dice 28.5 (표준 편차 21.27)를 달성했습니다.
시사점, 한계점
•
시사점: 심층 학습 기반 전처리(두개골 제거 및 사용자 정의 강도 창 조정)와 nnU-Net 아키텍처를 결합한 접근 방식이 CT 스캔만으로 뇌졸중 병변 분할에 효과적임을 보여줍니다. ISLES'24 챌린지에서 우수한 성능을 달성하여 제안된 방법의 실효성을 입증했습니다.
•
한계점: 높은 표준 편차(21.27)는 모델 성능의 변동성이 큼을 시사합니다. CT 스캔만을 사용하여 뇌졸중 병변의 진행을 예측하는 데에는 한계가 있을 수 있습니다. 데이터의 다양성이나 크기에 대한 구체적인 언급이 부족합니다. 제안된 전처리 파이프라인의 일반화 성능에 대한 추가적인 검증이 필요합니다.
