[論文レビュー] CNN-based Automatic Detection of Bone Conditions via Diagnostic CT Images for Osteoporosis Screening

Chao Tang, Wenkun Zhang+7 more|arXiv (Cornell University)|Oct 14, 2019

Medical Imaging and Analysis参考文献 35被引用数 6

ひとこと要約

本研究では、日常的な診断用CTスキャンを用いた自動骨粗しょう症スクリーニングのための2段階CNNベースの手法を提案する。まず、MS-Netが0.998を超えるDiceスコアで腰椎をセグメンテーションする。次に、BCC-Netが骨状態（正常、骨量低下、骨粗しょう症）を76.65%の正解率とAUC 0.9167で分類し、放射線科医が診断を迅速化し、患者の負担を軽減できる。

ABSTRACT

Purpose: The purpose is to design a novelty automatic diagnostic method for osteoporosis screening by using the potential capability of convolutional neural network (CNN) in feature representation and extraction, which can be incorporated into the procedure of routine CT diagnostic in physical examination thereby improving the osteoporosis diagnosis and reducing the patient burden. Methods: The proposed convolutional neural network-based method mainly comprises two functional modules to perform automatic detection of bone condition by analyzing the diagnostic CT image. The first functional module aims to locate and segment the ROI of diagnostic CT image, called Mark-Segmentation-Network (MS-Net). The second functional module is used to determine the category of bone condition by the features of ROI, called Bone-Conditions-Classification-Network (BCC-Net). The trained MS-Net can get the mark image of inputted original CT image, thereby obtain the segmentation image. The trained BCC-Net can obtain the probability value of normal bone mass, low bone mass, and osteoporosis by inputting the segmentation image. On the basis of network results, the radiologists can provide preliminary qualitative diagnosis results of bone condition. Results: The proposed MS-Net has an excellent segmentation precision on the shape preservation of different lumbar vertebra. The numerical indicators of segmentation results are greater than 0.998. The proposed BCC-Net was evaluated with 3,024 clinical images and achieved an accuracy of 76.65% and an area under the receiver operating characteristic curve of 0.9167. Conclusions: This study proposed a novel two-step method for automatic detection of bone conditions via diagnostic CT images and it has great potential in clinical applications for osteoporosis screening. The method can potentially reduce the manual burden to radiologists and diagnostic cost to patients.

研究の動機と目的

• 診断用CTスキャンを用いた骨粗しょう症スクリーニングの自動化手法を開発し、別個のDXAスキャンへの依存を減らす。
• 骨状態の検出を日常的なCT読影ワークフローに統合することで、放射線科医の負担を最小限に抑える。
• AI支援の特徴抽出と分類により、診断の効率を向上させ、患者の負担を軽減する。
• 深層学習を用いてCT画像からの腰椎の高精度なセグメンテーションを実現する。
• 抽出されたROI特徴に基づき、正常、骨量低下、骨粗しょう症の3つの骨状態を高精度に分類する。

提案手法

• 2段階のディーブラーニングフレームワークを提案：まずMS-Netが領域（ROI）の局所化とセグメンテーションを実行し、次にBCC-Netが骨状態を分類する。
• MS-NetはU-Netに類似したアーキテクチャを用い、入力CT画像から腰椎の正確なセグメンテーションマスクを生成する。
• BCC-NetはセグメンテーションされたROIを処理し、正常、骨量低下、骨粗しょう症の3つの骨状態カテゴリの確率を予測する。
• 分類には交差エントロピー損失、セグメンテーションにはDice損失を用い、性能最適化を図る。
• モデルは3,024例の臨床的CT画像を用いて訓練および検証され、予備的放射線診断の支援に役立てる。
• セグメンテーションの評価にはDice類似係数が、分類性能の評価には正解率とAUCが用いられる。

実験結果

リサーチクエスチョン

• RQ1 CNNベースの手法は、日常的な診断用CTスキャンから、形状の保持を高めた高精度な腰椎セグメンテーションが可能か？
• RQ2 CT由来のROI特徴から、深層学習モデルが臨床的に意味のある精度で骨状態（正常、骨量低下、骨粗しょう症）を分類できるか？
• RQ3 この2段階フレームワークは、追加の画像撮影を要せず、骨粗しょう症スクリーニングにおける放射線科医の負担をどの程度軽減できるか？
• RQ4 感度と特異度の観点から、標準的な診断実践と比較して、このモデルの性能はどの程度か？
• RQ5 自動セグメンテーションと分類を日常的なCTワークフローに統合することで、診断の効率が向上し、患者の費用が削減できるか？

主な発見

• MS-Netは、腰椎のセグメンテーションにおいて、0.998を超えるDice類似係数を達成し、優れた形状保持性と正確性を示した。
• BCC-Netは3,024例の臨床的CT画像上で76.65%の分類正解率を達成し、多クラス骨状態検出における強力な性能を示した。
• BCC-Netの受信者操作特性曲線（ROC）下の面積（AUC）は0.9167に達し、骨状態カテゴリ間の高い識別力を持つことを示した。
• 提案手法により、日常的な診断用CTスキャンから直接、骨状態の予備的定性的診断が可能となり、追加のDXAスキャンの必要性が減少した。
• このフレームワークは臨床統合の可能性を強く示しており、放射線科医の負担軽減と骨粗しょう症スクリーニングの診断コスト低減が期待できる。
• 高いセグメンテーション精度と頑健な分類性能から、病院の放射線科ワークフローへの導入可能性が示唆された。