10년간의 MICCAI BraTS Challenge data, task 총정리

 

Brain Tumor Segmentation (BraTS) Challenge는 MICCAI(Medical Image Computing and Computer Assisted Interventions)에서 주최하는 challenge로, 2012년에 처음 시작하여 올해로 10주년을 맞았다.

 

데이터의 종류나 lesion의 종류 등에 따라 brain tumor segmentation method의 성능이 달라 평가에 어려움이 있어, state-of-the-art method를 찾고 large public dataset을 만들기 위해 시작되었다고 한다.

 

매년 Brain tumor과 관련된 데이터셋과 task가 공개되어, 많은 연구에서도 이용되고 있다.

 

올해는 RNSA(Radiological Society of North America), ASNR(Americal Society of Neuroradiology), MICCAI가 공동 주최한다.

 

올해를 포함해 총 10회의 BraTS Challenge의 데이터셋과 task, 결과를 간단히 정리해 보고자 한다.

 

---

 

BraTS 2012

Home: http://www2.imm.dtu.dk/projects/BRATS2012/

Proceedings: https://www.cbica.upenn.edu/sbia/Spyridon.Bakas/MICCAI_BraTS/MICCAI_BraTS_2012_proceedings.pdf

 

Dataset & Task

Train data로 30명의 glioma(뇌교종) 환자의 T1, T2, FLAIR, post-Gadolinium T1 4가지 contrast의 MRI가 제공되었으며, 추가로 50명의 synthetic data 역시 제공되었다.

 

Task는 lesion segmentation으로, 각 data에는 "active tumor"와 "edema"가 label로 주어져 있어, 이들을 segmentation하는 것이 목적이다.

 

Result

총 12팀이 accept되었으며, 대부분이 Machine learning을 사용했다.

 

D. Zikic et al., Context-sensitive Classification Forests for Segmentation of Brain Tumor Tissues

 

---

 

BraTS 2013

Home: http://martinos.org/qtim/miccai2013/

Proceedings: https://www.cbica.upenn.edu/sbia/Spyridon.Bakas/MICCAI_BraTS/MICCAI_BraTS_2013_proceedings.pdf

 

Dataset & Task

BraTS 2012와 data와 task 모두 동일하나, 환자 20명의 data가 추가로 더해졌다.

총 50명의 glioma 환자의 T1, T2, FLAIR, post-Gadolinium T1 4가지 contrast의 MRI가 제공되었으며,

50명의 synthetic data 역시 제공되었다.

 

Task 역시 이전과 동일한 lesion segmentation이고, label로는 "edema", "enhancing core", "non-enhancing core", "necrotic core" 네 가지가 주어졌다.

 

---

 

BraTS 2014

Home: https://sites.google.com/site/miccaibrats2014/

Proceedings: https://www.cbica.upenn.edu/sbia/Spyridon.Bakas/MICCAI_BraTS/MICCAI_BraTS_2014_proceedings.pdf

 

Dataset & Task

이전까지의 challenge와 다르게, 총 3개의 task가 주어졌다.

 

Task 1: Lesion Segmentation

BraTS 2012, 2013에서 진행한 lesion segmentation이다. 이전과 다르게 훨씬 많아진 300명의 T1, T1 contrast-enhanced, T2, T2 FLAIR MRI가 주어졌다. BraTS 2012, 2013의 데이터에 NIH Cancer Imaging Archieve (TCIA)를 더해 만들어졌다. Label은 이전과 동일하다.

 

Task 2: Longtitudinal Lesion Segmentation

3-10개의 time point를 가지고 있는 25명의 환자 data가 주어지고, 이를 이용해 lesion segmentation을 하는 task이다.

 

Task 3: Diagnostic Image Classification

처음으로 classification task가 등장한다. 

 

Result

간단한 CNN을 사용한 팀도 있고, 대부분 machine learning을 사용했다.

Axel Davy et al., Brain Tumor Segmentation with Deep Neural Networks

 

---

 

BraTS 2015

Home: https://sites.google.com/site/braintumorsegmentation/home/brats2015

Proceedings: https://www.cbica.upenn.edu/sbia/Spyridon.Bakas/MICCAI_BraTS/MICCAI_BraTS_2015_proceedings.pdf

 

Dataset & Task

Task는 이전과 동일하게 lesion segmentation이고, 데이터는 BraTS 2014와 동일하며 test data만 새롭게 준비되었다고 한다.

 

Result

이전과 마찬가지로 대부분 CNN 혹은 machine learning을 이용했다.

 

---

 

BraTS 2016

Home: https://sites.google.com/site/braintumorsegmentation/home/brats_2016

Proceedings: https://www.cbica.upenn.edu/sbia/Spyridon.Bakas/MICCAI_BraTS/MICCAI_BraTS_2016_proceedings.pdf

 

Dataset & Task

데이터는 BraTS 2014, 2015와 동일하다. Task는 두 가지가 있는데 하나는 계속 진행해 온 lesion segmentation이고, 다른 하나는 "Quantifying longitudinal changes"이다. 이는 같은 환자에 대해 예후를 관측하기 위한 2회의 추가 촬영을 하고, 참가자들의 segmentation 결과가 예후를 측정할 수 있을 정도로 유의미한 차이를 보이는지를 평가하는 것이다.

 

Result

이전과 마찬가지로 대부분 CNN 혹은 machine learning을 이용했다.

 

Petet D. Chang, Fully Convolutional Neural Networks with Hyperlocal Features for Brain Tumor Segmentation

 

---

 

BraTS 2017

Home: https://www.med.upenn.edu/cbica/aibil/srathore.html

Proceedings: https://www.cbica.upenn.edu/sbia/Spyridon.Bakas/MICCAI_BraTS/MICCAI_BraTS_2017_proceedings_shortPapers.pdf

 

Dataset & Task

BraTS 2014~2016에서 사용된 TCIA dataset을 제외했다. 이유는 1) TCIA dataset이 pre-operative와 post-operative data를 포함하고 있고, 2) Label이 직접 annotated된 것이 아닌, BraTS 2012, 2013에서 높은 성능을 보인 method를 기반으로 하여 생성했기 때문이다. 

이러한 이유로 TCIA 데이터셋에서 pre-operative data만을 골라내어, 다시 label을 직접 annotation하는 작업을 거쳐 BraTS 2012, 2013의 데이터와 함께 사용하여 총 285개의 data가 되었다.

 

Task는 다음 두 가지이다.

 

Task 1: Segmentation of gliomas in pre-operative scans

Enhancing Tumor (ET), Tumor Core (TC), Whole Tumor (WT)를 segmentation하는 task이다.

 

Task 2: Prediction of patient overall survival (OS) from pre-operative scans

주어진 data와 segmentation label들을 이용해 생존률을 예측하는 task이다. Patient의 나이 등의 정보를 함께 활용할 수 있다.

classification과 regression 두 가지의 관점에서 성능을 평가했다.

Classification은 3가지의 category (long-survivers, short-survivors, mid-survivors)로 나뉘고,

regression은 pairwise로 MSE를 측정했다.

 

Result

Segmentation은 대부분 U-net 계열 구조를 사용했고, OS prediction의 경우 SVM, XGBoost 등 machine learning을 대부분 사용했다.

 

Varghese Alex et al., Brain Tumor Segmentation from Multi Modal MR images using Fully Convolutional Neural Network

 

---

 

BraTS 2018

Home: http://braintumorsegmentation.org/

Proceedings: https://www.cbica.upenn.edu/sbia/Spyridon.Bakas/MICCAI_BraTS/MICCAI_BraTS_2018_proceedings_shortPapers.pdf

 

Dataset & Task

BraTS 2017과 dataset, task가 동일하다.

 

Result

이전과 유사하게 segmentation은 대부분 U-net 계열 구조를 사용했고, OS prediction의 경우 다양한 machine learning을 이용했다.

 

Subhashis Banerjee et al., Multi-Planar Spatial-ConvNet for Segmentation and Survival Prediction in Brain Cancer

 

---

 

BraTS 2019

Home: http://braintumorsegmentation.org/

Proceedings: https://link.springer.com/book/10.1007/978-3-030-46640-4 (vol 1), https://link.springer.com/book/10.1007/978-3-030-46643-5 (vol 2)

 

Dataset & Task

BraTS 2017과 동일하게 lesion segmentation, OS prediction을 진행하며, "Quantification of Uncertainty in Segmentation" task가 추가되었다.

이는 segmentation의 uncertainty를 정량화하는 방법을 제안하는 것으로, 0-100의 범위로 각자의 segmentation 결과의 uncertainty를 측정하게 된다.

 

Result

-

 

---

 

BraTS 2020

Home: https://www.med.upenn.edu/cbica/brats2020/

Proceedings: https://link.springer.com/book/10.1007/978-3-030-72084-1 (vol 1), https://link.springer.com/book/10.1007/978-3-030-72087-2 (vol 2)

 

Dataset & Task

BraTS 2019와 동일하게 3가지 task가 주어졌다.

 

Result

-

 

---

 

BraTS 2021 (In Progress)

Home: http://braintumorsegmentation.org/

 

Dataset & Task

BraTS 2020에서 사용된 660명의 데이터를 포함하여, 2,000명의 데이터를 제공한다.

 

Task는 매번 진행되던 lesion segmentation에 더하여 classification task가 추가되었다.

Classification task는 MGMT promoter methylation status를 예측하는 것이다. 

MGMT promoter methylation는 종양에서 나타나는 특정한 유전자 염기서열 중 하나로, 예후 진단과 화학요법의 필요여부를 결정하는 데에 중요한 역할을 한다.

단, 이러한 유전적 분석을 하기 위해서는 수술이 필요하고, 결과를 얻는 데에도 많은 시간이 소요되는데, 영상 정보만을 이용하여 이를 확인할 수 있다면 임상적으로 큰 의미가 있을 것이라고 한다.

MGMT promoter methylation classification에 대한 더욱 자세한 정보는 여기에서 확인할 수 있다.

 

Result

-