GLI-AL: 統合解剖-病変ラベルを備えたマルチモーダル神経膠腫MRIラベルリソース

要旨

既存のBraTS-GLIデータセットは成人神経膠腫のMRIセグメンテーションにおける広く利用されるベンチマークを提供するが、そのタスク定義は腫瘍サブ領域に焦点を当てており、併存する白質高信号（WMH）を系統的に表現していない。共同セグメンテーション設定において、このようなラベル付けされていない異常は、病理領域を正常組織として扱うことでタスク固有のラベルノイズを導入する。この制限に対処するため、我々はBraTS-GLI Anatomy-Lesionを紹介する。これはBraTS 2023-GLIトレーニングコホートから派生した、制御アクセス可能でラベルのみのリソースである。本リソースは、元の4モダリティMRI症例に対応する1,251個の統一された8クラス解剖-病変ラベルセットを提供し、画像修復入力を必要とする116症例の画像修復ラベルを含む。コホートは394症例の精製サブセットと857症例の拡張サブセットに整理され、症例レベルのメタデータはラベルソース、画像修復要件、品質管理ステータス、アクセス条件、チェックサム、リリース境界を網羅する。元のBraTS-GLIアノテーションと比較して、本リソースは統一ラベル空間内に正常脳組織と従来ラベル付けされていなかった併存異常を組み込むことで、フォアグラウンドの教師情報を大幅に拡張する。MedNeXtとT1/FLAIR入力を用いた検証研究により、WMHを考慮した教師情報は、ドメイン内GLIおよび外部WMHデータセットの両方において正常組織セグメンテーション性能を維持しつつ、ノイズ対照トレーニングと比較して併存病変への感度を向上させることが示唆される。本リソースは科学研究を意図しており、共同解剖-病変教師情報、ラベルノイズ解析、再現可能な評価を支援する。データはhttps://www.synapse.org/Synapse:syn75210889/wiki/で、コードはhttps://github.com/xyx200/brats-gli-anatomy-lesion-codeで入手可能である。データリソースのDOIはhttps://doi.org/10.7303/SYN75210889である。

English

Existing BraTS-GLI datasets provide a widely used benchmark for adult glioma MRI segmentation, but their task definition focuses on tumor subregions and does not systematically represent coexisting white matter hyperintensities (WMH). In joint segmentation settings, such unlabeled abnormalities introduce task-specific label noise by treating pathological regions as normal tissue. To address this limitation, we introduce BraTS-GLI Anatomy-Lesion, a controlled-access, labels-only derived resource built from the BraTS 2023-GLI training cohort. The resource provides 1,251 unified eight-class anatomy-lesion label sets aligned with the original four-modal MRI cases, including image-repair labels for 116 cases requiring repaired imaging inputs. The cohort is organized into a 394-case purified subset and an 857-case extended subset, with case-level metadata covering label source, image-repair requirements, quality-control status, access conditions, checksums, and release boundaries. Compared with the original BraTS-GLI annotations, the resource substantially expands foreground supervision by incorporating healthy brain tissues and previously unlabeled coexisting abnormalities within a unified label space. A validation study using MedNeXt and T1/FLAIR inputs suggests that WMH-aware supervision preserves healthy-tissue segmentation performance across both in-domain GLI and external WMH datasets, while improving sensitivity to coexisting lesions relative to noisy-control training. The resource is intended for scientific research and supports joint anatomy-lesion supervision, label-noise analysis, and reproducible evaluation. Data are available at https://www.synapse.org/Synapse:syn75210889/wiki/, and code is available at https://github.com/xyx200/brats-gli-anatomy-lesion-code. The data resource DOI is https://doi.org/10.7303/SYN75210889.