[論文レビュー] Vertebra-Focused Landmark Detection for Scoliosis Assessment

Jingru Yi, Pengxiang Wu+3 more|arXiv (Cornell University)|Jan 9, 2020

Scoliosis diagnosis and treatment参考文献 17被引用数 10

ひとこと要約

本論文は、低コントラストX線画像において、最初にヒートマップを用いて椎間接中心を局所化し、その後学習されたオフセットを用いてコーナーランドマークをトレースする、変形症評価のための椎間接焦点型ランドマーク検出手法を提案する。この手法は、回帰ベースおよびセグメンテーションベースのベースラインと比較して、ランドマーク検出（50.11誤差）およびコブ角測定（10.81 SMAPE）において優れた精度を達成した。

ABSTRACT

Adolescent idiopathic scoliosis (AIS) is a lifetime disease that arises in children. Accurate estimation of Cobb angles of the scoliosis is essential for clinicians to make diagnosis and treatment decisions. The Cobb angles are measured according to the vertebrae landmarks. Existing regression-based methods for the vertebra landmark detection typically suffer from large dense mapping parameters and inaccurate landmark localization. The segmentation-based methods tend to predict connected or corrupted vertebra masks. In this paper, we propose a novel vertebra-focused landmark detection method. Our model first localizes the vertebra centers, based on which it then traces the four corner landmarks of the vertebra through the learned corner offset. In this way, our method is able to keep the order of the landmarks. The comparison results demonstrate the merits of our method in both Cobb angle measurement and landmark detection on low-contrast and ambiguous X-ray images. Code is available at: \url{https://github.com/yijingru/Vertebra-Landmark-Detection}.

研究の動機と目的

• 低コントラストで曇った脊椎X線画像におけるランドマーク局所化およびコブ角測定の不正確さを是正すること。
• ダウンサンプリングによる解像度損失と高パラメータ数に起因する問題を抱える回帰ベース手法の限界を克服すること。
• しばしばマスクが破損したり連結されたりしてランドマークの順序が崩れるため、セグメンテーションベース手法の改善を図ること。
• 各椎間接の中心を最初に検出することで、各中心からコーナーをトレースし、椎間接間のランドマーク順序を正しく維持すること。
• 密なマッピングを避けながら高解像度入力を処理することで、複雑な解剖的領域における微細な局所化精度を向上させること。

提案手法

• 本手法は、ResNet34ベースのエンコーダデコーダネットワークを用い、椎間接中心のヒートマップと中心オフセットを予測することで、中心の正確な局所化を実現する。
• 各検出された中心点から、学習されたコーナーベクトルを用いて4つのコーナーランドマークを回帰し、各椎間接ごとにランドマークの順序を保持する。
• エンコーダとデコーダの特徴量の間でスキップ接続を採用することで、空間的詳細を保持し、局所化精度を向上させる。
• ランドマーク検出は、中心点の予測とコーナーオフセット回帰の組み合わせにより実現され、密なマッピングを回避し、パラメータ負荷を低減する。
• 予測されたランドマーク座標と真値とのL2距離を最小化するキーポイント検出損失を用いて、エンドツーエンドでモデルを訓練する。
• 入力画像は、高解像度の詳細を保持できるように1024×512にリサイズされ、低解像度ベースラインよりも優れた性能を発揮できる。

実験結果

リサーチクエスチョン

• RQ1 中心を最初に検出するキーポイントベース手法が、低コントラストX線画像における回帰ベース手法よりもランドマーク検出で優れた性能を発揮できるか？
• RQ2 中心ベース検出は、セグメンテーションベース手法と比較して、重複や曇った椎間接に起因する誤差を低減できるか？
• RQ3 ノイズや低コントラストにさらされても、本手法は椎間接間のランドマーク順序を正しく維持できるか？
• RQ4 本手法の性能は、回帰およびセグメンテーションベースラインと比較して、ランドマーク検出およびコブ角測定の両面で優れているか？
• RQ5 高解像度入力処理は、脊椎X線画像におけるランドマーク局所化精度をどの程度向上させるか？

主な発見

• 本手法は、ランドマーク検出誤差が50.11ピクセル（真値とのL2距離）にまで低下し、回帰ベース手法（77.94）およびセグメンテーションベース手法（74.07）を顕著に上回った。
• コブ角測定のSMAPEは10.81を達成し、回帰ベース（23.43）およびセグメンテーションベース（16.48）を上回り、湾曲評価の精度が優れていることを示した。
• 定量的結果から、低コントラスト領域でも頑健であることが示された。特に、曇ったまたは定義の曇った椎間接に対しても、正確にランドマークを局所化できた。
• セグメンテーションベース手法は、テストケースの6つ中5つ（例：ケース1および6）で連結された椎間接を正しく分離できず、誤ったランドマーク順序と高い誤差率を引き起こした。
• 回帰ベース手法は、512×256にダウンサンプリングされたために解像度損失を被り、微細なランドマーク局所化精度が低下したが、ランドマーク順序の維持は良好であった。
• モデルはオブジェクト認識能力を維持しており、1つの椎間接の検出失敗（ケース5）が他の椎間接の検出に影響を与えないことを示し、頑健性とモularityを示した。