[논문 리뷰] 3D segmentation of mandible from multisectional CT scans by convolutional neural networks

Bingjiang Qiu, Jiapan Guo외 4명|arXiv (Cornell University)|2018. 09. 18.

Dental Radiography and Imaging참고 문헌 16인용 수 6

한 줄 요약

이 논문은 축합, coronal, 그리고 sagittal CT 영상 평면을 별도로 처리하는 U-Net 기반의 합성 신경망을 사용하여 3D 턱 구조를 분할하는 방법을 제안한다. 2D 분할 결과를 융합하여 3D 모델을 생성하며, 11명의 환자 스캔에서 평균 Dice 계수 0.89를 달성하여 만성성면외과 수술 계획에 있어 높은 정확도와 강건성을 입증한다.

ABSTRACT

Segmentation of mandibles in CT scans during virtual surgical planning is crucial for 3D surgical planning in order to obtain a detailed surface representation of the patients bone. Automatic segmentation of mandibles in CT scans is a challenging task due to large variation in their shape and size between individuals. In order to address this challenge we propose a convolutional neural network approach for mandible segmentation in CT scans by considering the continuum of anatomical structures through different planes. The proposed convolutional neural network adopts the architecture of the U-Net and then combines the resulting 2D segmentations from three different planes into a 3D segmentation. We implement such a segmentation approach on 11 neck CT scans and then evaluate the performance. We achieve an average dice coefficient of $ 0.89 $ on two testing mandible segmentation. Experimental results show that our proposed approach for mandible segmentation in CT scans exhibits high accuracy.

연구 동기 및 목표

• 3D 수술 계획을 위한 CT 스캔에서 턱의 수동적이고 시간이 오래 걸리는 분할 문제를 해결하기 위해.
• 다양한 영상 평면 간의 해부학적 연속성을 유지하는 자동화된 딥러닝 기반 방법을 개발하기 위해.
• 3D 볼륨 분할에서 메모리 제약과 공간적 맥락 손실 문제를 해결하기 위해 2D 슬라이스 단위 처리와 융합 전략을 활용하기 위해.
• 실제 임상적 경부 CT 데이터에 대해 다평면 컨volution 신경망 접근법의 성능을 평가하기 위해.
• 두개면 종양 절제 및 재건을 위한 가상 수술 계획에 적합한 정확하고 재현 가능한 3D 턱 재구성 가능성을 확보하기 위해.

제안 방법

• 이 방법은 축합, coronal, 그리고 sagittal CT 슬라이스 각각을 처리하는 세 개의 별도 U-Net 아키텍처를 사용한다.
• 각 2D U-Net은 개별 슬라이스에서 턱에 대한 픽셀 단위 분할 마스크를 예측하도록 훈련된다.
• 세 평면에서 유도된 2D 분할 결과는 투표 기반 전략을 통해 융합되어 일관된 3D 분할 볼륨을 생성한다.
• 네트워크는 0-padding이 적용된 3×3 컨볼루션 레이어와 ReLU 활성화 함수를 사용하며, 이후 배치 정규화와 최대 풀링을 적용한다.
• 학습에는 Adam 최적화 기법을 사용하며, 학습률는 1×10⁻⁵로 설정되며, 원본 크기의 CT 이미지에서 엔드 투 엔드로 모델을 훈련시킨다.
• 최종 3D 모델은 3D 시각화 소프트웨어(Materialise Mimics)를 사용하여 세 평면의 2D 분할 결과를 스택하고 정렬함으로써 재구성된다.

실험 결과

연구 질문

• RQ1 2D U-Net 기반 접근법이 정사각형 CT 영상 평면 간의 턱 해부학적 연속성을 효과적으로 포착할 수 있는가?
• RQ2 축합, coronal, 그리고 sagittal 시각에서 유도된 2D 분할 결과를 융합함으로써 단일 평면 처리에 비해 3D 분할 정확도가 향상되는가?
• RQ3 3D 볼륨 훈련 없이도 제한된 임상 데이터에서 높은 Dice 유사도 스코어를 달성할 수 있는가?
• RQ4 정확도와 재현 가능성 측면에서 이 방법이 수동 분할에 비해 어떻게 비교되는가?
• RQ5 이 방법은 다른 해부학적 구조나 영상 모odalities로 확장 가능할 수 있는가?

주요 결과

• 제안된 방법은 두 개의 테스트 케이스에서 평균 Dice 계수 0.89를 달성하여 높은 분할 정확도를 입증하였다.
• 슬라이스별 Dice 스코어 분포는 중앙값 약 0.90를 보이며, 대부분의 슬라이스에서 일관된 성능을 보였다.
• Materialise Mimics 소프트웨어에서 시각적으로 확인한 결과, 융합된 2D 분할 결과에서 재구성된 3D 모델이 지표와 매우 유사하였다.
• 3D 볼륨 훈련이 필요 없이도, 다양한 영상 평면 간의 턱의 구조적 연속성을 효과적으로 유지하였다.
• 전체 해상도의 2D 입력을 사용함으로써 3D 패치 기반 훈련의 메모리 집약적인 과정을 피하면서도 해부학적 맥락을 유지하였다.
• 결과적으로 이 방법은 턱 재건을 위한 3D 가상 수술 계획 분야에서 임상적 응용 가능성이 매우 높다고 제안된다.