How We Won the ISLES'24 Challenge by Preprocessing
Created by
Haebom
Category
Empty
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.
