SMILE-UHURA Challenge — Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms

要約

人間の脳は、複雑な血管ネットワークを通じて栄養素と酸素を受け取ります。
メゾスコピックなスケールで小血管に影響を及ぼす病理は、脳血液供給の重大な脆弱性を表しており、脳小血管疾患などの重篤な状態を引き起こす可能性があります。
7 テスラ MRI システムの出現により、より高い空間解像度の画像を取得できるようになり、脳内の血管を視覚化できるようになりました。
しかし、公開されている注釈付きデータセットが不足しているため、堅牢な機械学習主導のセグメンテーション アルゴリズムの開発が妨げられています。
これに対処するために、SMILE-UHURA チャレンジが組織されました。
このチャレンジは、コロンビアのカルタヘナ・デ・インディアスで開催されるISBI 2023と併せて開催され、関連テーマに取り組む研究者にプラットフォームを提供することを目的としていました。
SMILE-UHURA チャレンジは、7T MRI で取得された飛行時間型血管造影の注釈付きデータセットを提供することで、公的に利用可能な注釈付きデータセットのギャップに対処します。
このデータセットは、自動化された事前セグメンテーションと広範な手動調整を組み合わせて作成されました。
この原稿では、提出された 16 のメソッドと 2 つのベースラインメソッドが、2 つの異なるデータセットで定量的および定性的に比較されています。トレーニング データと同じデータセットからのホールドアウト テスト MRA (ラベルは秘密にされています) と、別の 7T ToF MRA データセットです。
入力ボリュームとラベルは秘密に保たれます。
この結果は、提出された深層学習手法のほとんどが、提供されたトレーニング データセットでトレーニングされ、信頼性の高いセグメンテーション パフォーマンスを達成したことを示しています。
それぞれのデータセットでサイコロ スコアは最大 0.838 $\pm$ 0.066 および 0.716 $\pm$ 0.125 に達し、平均パフォーマンスは最大 0.804 $\pm$ 0.15 でした。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google