[논문 리뷰] 3D convolutional neural network for abdominal aortic aneurysm segmentation

Karen López‐Linares, I. García외 3명|arXiv (Cornell University)|2019. 03. 03.

Aortic aneurysm repair treatments참고 문헌 21인용 수 14

한 줄 요약

이 논문은 전술 및 후술 CTA 영상에서 복부 대동맥aneurysm( AAA )의 자동 분할을 위한 3D 컨volution 신경망(CNN)을 제안하며, 다중 척도 특징 융합과 가중치가 부여된 Dice 손실을 활용하여 정확도를 향상시킨다. 이 방법은 평균 직경 오차 3.3 mm와 Dice 점수 87%를 달성하여 2D 접근 방식을 능가하며, 파열 위험 평가를 위한 임상적으로 유의미한 객관적 측정, 즉 동맥류의 성장과 부피 변화 측정을 가능하게 한다.

ABSTRACT

An abdominal aortic aneurysm (AAA) is a focal dilation of the aorta that, if not treated, tends to grow and may rupture. A significant unmet need in the assessment of AAA disease, for the diagnosis, prognosis and follow-up, is the determination of rupture risk, which is currently based on the manual measurement of the aneurysm diameter in a selected Computed Tomography Angiography (CTA) scan. However, there is a lack of standardization determining the degree and rate of disease progression, due to the lack of robust, automated aneurysm segmentation tools that allow quantitatively analyzing the AAA. In this work, we aim at proposing the first 3D convolutional neural network for the segmentation of aneurysms both from preoperative and postoperative CTA scans. We extensively validate its performance in terms of diameter measurements, to test its applicability in the clinical practice, as well as regarding the relative volume difference, and Dice and Jaccard scores. The proposed method yields a mean diameter measurement error of 3.3 mm, a relative volume difference of 8.58 %, and Dice and Jaccard scores of 87 % and 77 %, respectively. At a clinical level, an aneurysm enlargement of 10 mm is considered relevant, thus, our method is suitable to automatically determine the AAA diameter and opens up the opportunity for more complex aneurysm analysis.

연구 동기 및 목표

• 표준화되고 자동화된 AAA 분할이 부족한 임상적 필요를 해결하기 위해.
• 다양한 제조사의 전술 및 후술 CTA 영상에서 안정적으로 작동하는 비모수적 3D 딥 러닝 모델을 개발하기 위해.
• 수작업 2D 슬라이스 기반 방법을 초월하여 파열 위험의 주요 예측 인자인 동맥류 직경과 부피를 정확하고 재현 가능하게 측정하기 위해.
• 강도 기반 또는 형상 제약이 있는 분할 방법의 단점을 보완하기 위해, 초기 윤곽선에 대한 높은 의존성과 누출 문제를 해결하기 위해.
• EVAR 추적 관찰에 필수적인 복잡한 동맥류 기하학적 분석, 예를 들어 부피 변화 및 성장률 분석의 기초를 마련하기 위해.

제안 방법

• 이 방법은 종합적 경계 검출 네트워크의 3D 확장 버전을 사용하며, 다양한 척도 수준의 특징 맵을 융합하여 경계 및 전반적인 형상 탐지 능력을 향상시킨다.
• 불균형한 데이터(작은 동맥류 영역 포함)에서 성능을 향상시키기 위해 새로운 가중치가 부여된 Dice 손실 함수를 사용하여 분할을 최적화한다.
• 루멘이나 중심선의 사전 분할 없이 80개의 전술 및 후술 CTA 데이터셋에서 엔드 투 엔드로 네트워크를 훈련시킨다.
• 다중 척도 특징을 활용한다: 저수준 특징은 세밀한 경계 탐지에, 고수준 특징은 전반적인 국소화 및 매끄러운 윤곽 예측에 기여한다.
• 모델는 비모수적이며 강도 변화에 대해 강건하여 형상 사전 지식이나 수작업 초기화에 의존하지 않는다.
• 중간 구조(예: 중심선) 없이 3D 볼륨 CTA 데이터를 직접 처리하므로, 2D 슬라이스 기반 처리나 중간 구조 생성이 필요 없다.

실험 결과

연구 질문

• RQ1 3D CNN 기반 접근 방식이 전술 및 후술 CTA 영상에서 2D 방법보다 복부 대동맥aneurysm 분할 성능을 뛰어나게 할 수 있는가?
• RQ2 특히 임상적으로 중요한 10 mm 이하의 임계값을 고려할 때, 제안된 3D CNN은 수작업 평가 대비 직경 측정 오차를 얼마나 줄일 수 있는가?
• RQ3 직경 측정만으로는 파열 위험을 더 민감하게 반영할 수 없는 부피 변화 측정에서 모델의 성능은 어떠한가?
• RQ4 루멘이나 중심선의 사전 분할 없이도 안정적인 분할을 달성할 수 있는가? 이는 자동화를 향상시키고 오류 전파를 줄이는 데 기여하는가?
• RQ5 기존 손실 함수에 비해, 가중치가 부여된 Dice 손실은 얇거나 작은 혈전 형성 부위에서 분할 정확도를 향상시키는가?

주요 결과

• 제안된 3D CNN은 평균 직경 측정 오차 3.3 mm를 달성하였으며, 이는 동맥류 성장에 있어 임상적으로 유의미한 10 mm 이하의 임계값을 충족한다.
• 모델은 Dice 유사도 계수 87%와 Jaccard 점수 77%를 기록하여 높은 분할 정확도를 입증하였다.
• 상대 부피 차이는 8.58%로, 기존 방법 대비 부피 추정 정확도 향상을 보였다.
• 28개 테스트 케이스 중 25개에서 직경 오차가 5 mm 이하였으며, 대부분의 케이스에서 높은 일관성을 보였다.
• 모델는 2D 대비 및 그래프 컷, 변형 가능 모델과 같은 최신 기술을 뛰어넘는 성능을 보이며, Dice 점수와 부피 추정 모두에서 슈퍼리어한 결과를 얻었다.
• 다양한 CT 스캐너에서 안정적인 성능을 보이며, 루멘이나 중심선의 사전 분할이 필요 없어 임상 적용 가능성 향상에 기여했다.