[논문 리뷰] A Baseline Approach for AutoImplant: the MICCAI 2020 Cranial Implant Design Challenge

Jianning Li, Antonio Pepe외 3명|arXiv (Cornell University)|2020. 06. 22.

Dental Implant Techniques and Outcomes참고 문헌 14인용 수 8

한 줄 요약

이 논문은 비정상적인 두개골 CT 영상에서 체적 형태 학습을 활용하여 자동 두개골 임플란트 설계를 위한 이단계 딥러닝 베이스라인을 제시한다. 거친 해상도에서 정교한 해상도로의 인코더-디코더 네트워크가 비정상 두개골에서 직접 임플란트를 예측하며, MICCAI 2020 AutoImplant 챌린지 테스트 세트에서 평균 DSC 0.8555와 HD 5.1825 mm를 달성하여 기하학적 사전 지식 없이도 효과적인 일반화 능력을 입증한다.

ABSTRACT

In this study, we present a baseline approach for AutoImplant (https://autoimplant.grand-challenge.org/) - the cranial implant design challenge, which, as suggested by the organizers, can be formulated as a volumetric shape learning task. In this task, the defective skull, the complete skull and the cranial implant are represented as binary voxel grids. To accomplish this task, the implant can be either reconstructed directly from the defective skull or obtained by taking the difference between a defective skull and a complete skull. In the latter case, a complete skull has to be reconstructed given a defective skull, which defines a volumetric shape completion problem. Our baseline approach for this task is based on the former formulation, i.e., a deep neural network is trained to predict the implants directly from the defective skulls. The approach generates high-quality implants in two steps: First, an encoder-decoder network learns a coarse representation of the implant from down-sampled, defective skulls; The coarse implant is only used to generate the bounding box of the defected region in the original high-resolution skull. Second, another encoder-decoder network is trained to generate a fine implant from the bounded area. On the test set, the proposed approach achieves an average dice similarity score (DSC) of 0.8555 and Hausdorff distance (HD) of 5.1825 mm. The code is publicly available at https://github.com/Jianningli/autoimplant.

연구 동기 및 목표

• 두개골 대칭성과 같은 기하학적 사전 지식에 의존하지 않고 완전히 데이터 기반의 자동 접근 방식을 개발하는 것.
• 고해상도 체적 학습 프레임워크 내에서 비정상 두개골 CT 영상에서 직접 정확하고 환자 맞춤형 임플란트를 생성하는 과제를 해결하는 것.
• 실제 임상 CT 데이터에 기반한 딥러닝을 활용하여 MICCAI 2020 AutoImplant 챌린지에 대한 강력한 베이스라인을 수립하는 것.
• 인공 결손에 대한 모델의 일반화 능력을 평가하고, 이는 두개골 복구 기반 접근 방식과 비교하는 것.

제안 방법

• 이중 단계 딥러닝 프레임워크를 제안한다: 먼저, 압축된 비정상 두개골에서 인코더-디코더 네트워크(N₁)를 사용해 거친 임플란트를 예측한다.
• 거친 임플란트를 사용해 원본 고해상도 두개골에서 결손의 경계 상자(박스)를 결정하여 관심 영역을 국소화한다.
• 두 번째로, 더 가벼운 인코더-디코더 네트워크(N₂)를 사용해 비정상 두개골의 국소화된 영역에서 정교한 임플란트를 생성하도록 훈련한다.
• 이 방법은 이진 바이트 격자(voxel grid)를 사용해 비정상 두개골, 완전한 두개골, 임플란트를 표현함으로써 종단 간 체적 형태 학습을 가능하게 한다.
• 지표 임플란트는 완전한 두개골에서 뼈 구조를 제거하여 생성되며, 이는 지도 학습을 가능하게 한다.
• 이 접근 방식은 명시적 기하학적 사전 지식을 피하고, 고해상도 CT 데이터 기반 딥러닝을 통해 형태 복구를 학습한다.

실험 결과

연구 질문

• RQ1 대칭성과 같은 기하학적 사전 지식에 의존하지 않고도, 직접적인 종단 간 딥러닝 접근 방식이 비정상 두개골 CT 영상에서 정확한 두개골 임플란트를 생성할 수 있는가?
• RQ2 이중 단계의 거친 해상도에서 정교한 해상도로의 네트워크 아키텍처가 훈련 중에 보지 못한 결손에 얼마나 잘 일반화되는가?
• RQ3 형태 정확도와 내구성 측면에서, 직접적인 임플란트 예측이 두개골 복구 후 차분 계산을 거치는 것보다 우월하거나 유사한 성능을 보이는가?
• RQ4 데이터 기반의 체적 형태 학습 모델은 고해상도 실 임상 CT 데이터에 대해 두개골 임플란트 설계에서 어떤 성능을 보이는가?

주요 결과

• 제안된 직접적인 임플란트 생성 접근 방식은 MICCAI 2020 AutoImplant 챌린지 테스트 세트에서 평균 DSC 0.8555와 Hausdorff 거리(HD) 5.1825 mm를 달성하였다.
• 모델은 인공 결손에 대해 강력한 성능을 보였으며, 2D 및 3D 뷰어라이징에서 고해상도의 임플란트 예측 결과를 제공하였다.
• 완전히 다른 결손 형태를 가진 10개의 추가 케이스를 테스트한 결과, 직접적인 임플란트 예측 방법은 실패했으며, 이는 훈련 데이터의 결손 패tern에 과적합된 것으로 나타났다.
• 반면, 동일한 데이터로 훈련된 두개골 복구 네트워크(N₁)는 새로운 결손 형태로도 잘 일반화되었으며, 간접적인 복구 기반 방법이 더 내구성 있다는 점을 시사했다.
• 이중 단계 접근 방식은 N₂를 국소화된 영역에 집중시킴으로써 GPU 메모리 사용량을 효과적으로 줄여 계산 효율성을 향상시켰다.
• 결과적으로, 명시적 기하학적 사전 지식 없이도 딥러닝이 복잡한 체적 형태를 효과적으로 학습할 수 있음을 검증하였으며, 향후 연구를 위한 강력한 베이스라인을 확립하였다.