[논문 리뷰] A Deep Learning-Based Method for Automatic Segmentation of Proximal Femur from Quantitative Computed Tomography Images

Zhao Chen, Joyce H. Keyak외 11명|arXiv (Cornell University)|2020. 06. 09.

Bone health and osteoporosis research참고 문헌 14인용 수 7

한 줄 요약

이 연구는 복합 손실 함수(디스크 손실과 L2 정규화의 조합)를 사용하여 정량적 컴퓨터 단층촬영(QCT) 영상에서 근위치 대퇴골을 자동으로 분할하는 3D V-넷 기반 딥러닝 방법을 제시한다. 이 방법은 디스크 스코어 0.9815와 R² 0.9956을 기록하여 높은 정확도를 보이며, 골다공증 및 골절 위험 평가 분야에서 강력한 임상 잠재력을 보여준다.

ABSTRACT

Purpose: Proximal femur image analyses based on quantitative computed tomography (QCT) provide a method to quantify the bone density and evaluate osteoporosis and risk of fracture. We aim to develop a deep-learning-based method for automatic proximal femur segmentation. Methods and Materials: We developed a 3D image segmentation method based on V-Net, an end-to-end fully convolutional neural network (CNN), to extract the proximal femur QCT images automatically. The proposed V-net methodology adopts a compound loss function, which includes a Dice loss and a L2 regularizer. We performed experiments to evaluate the effectiveness of the proposed segmentation method. In the experiments, a QCT dataset which included 397 QCT subjects was used. For the QCT image of each subject, the ground truth for the proximal femur was delineated by a well-trained scientist. During the experiments for the entire cohort then for male and female subjects separately, 90% of the subjects were used in 10-fold cross-validation for training and internal validation, and to select the optimal parameters of the proposed models; the rest of the subjects were used to evaluate the performance of models. Results: Visual comparison demonstrated high agreement between the model prediction and ground truth contours of the proximal femur portion of the QCT images. In the entire cohort, the proposed model achieved a Dice score of 0.9815, a sensitivity of 0.9852 and a specificity of 0.9992. In addition, an R2 score of 0.9956 (p<0.001) was obtained when comparing the volumes measured by our model prediction with the ground truth. Conclusion: This method shows a great promise for clinical application to QCT and QCT-based finite element analysis of the proximal femur for evaluating osteoporosis and hip fracture risk.

연구 동기 및 목표

• QCT 영상에서 근위치 대퇴골을 자동으로 분할하는 딥러닝 기반의 방법을 개발하여 뼈 건강 평가에 기여하고자 한다.
• QCT 기반 뼈 밀도 및 생체역학적 분석에서 수작업 분할의 시간 소모성 및 주관성 문제를 해결하고자 한다.
• 3D 완전 컨volution 신경망 아키텍처를 활용하여 분할 정확도와 재현 가능성을 향상시키고자 한다.
• 397명의 QCT 환자로 구성된 대규모 코hort에서 방법을 검증하고, 남성 및 여성 하위군에 대한 별도 분석을 수행하고자 한다.
• 골다공증 및 대퇴부 골절 위험 평가를 위한 QCT 기반 유한요소 분석에 신뢰할 수 있는 적용을 가능하게 하고자 한다.

제안 방법

• QCT 볼륨에서 근위치 대퇴골을 엔드 투 엔드로 완전 컨volution형 3D 분할하기 위해 V-넷으로 명명된 3D U-넷 변종을 백본 네트워크로 사용한다.
• 모델은 클래스 불균형을 다루기 위한 디스크 손실과 일반화를 향상시키고 과적합을 방지하기 위한 L2 정규화를 조합한 복합 손실 함수를 사용한다.
• 학습 전략은 하이퍼파ram터 튜닝 및 모델 선택을 위해 데이터셋의 90% (357명)에 대해 10중 교차검증을 수행한다.
• 남은 10%의 환자(40명)는 검증되지 않은 데이터에서 최종 성능 평가에 사용된다.
• 기준 분할 결과는 훈련이 끝난 전문가가 생성하여 감독 학습을 위한 고품질 애너테이션을 확보한다.
• 추론 과정은 완전 자동화되며, 예측 결과는 직접 병렬 볼륨 분할 마스크를 출력한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 3D 분할 모델은 QCT 영상에서 근위치 대퇴골을 자동으로 분할할 때 높은 정확도와 강건성을 달성할 수 있는가?
• RQ2 제안된 복합 손실 함수(Dice + L2)는 불균형한 의료 영상 데이터에서 표준 손실 함수에 비해 분할 성능 향상에 얼마나 기여하는가?
• RQ3 남성과 여성을 포함한 다양한 성별의 대규모 QCT 환자 코hort에서 모델의 분할 성능는 어떠한가?
• RQ4 모델의 예측된 부피와 기준 부피 간의 상관관계는 얼마나 높은가? 이는 후속 생체역학적 분석에 있어 신뢰성 여부를 판단하는 데 기여한다.
• RQ5 이 모델은 골다공증 및 대퇴부 골절 위험 평가를 위한 임상 QCT 영상 처리 파이프라인에 효과적으로 적용될 수 있는가?

주요 결과

• 제안된 방법은 전체 코hort에서 디스크 스코어 0.9815를 기록하여 예측된 분할과 기준 분할 간의 거의 완벽한 겹침을 보였다.
• 민감도는 0.9852로, 모델이 근위치 대퇴골 내 대부분의 참 양성 볼륨을 정확히 식별할 수 있음을 나타낸다.
• 특이도는 0.9992에 도달하여 가짜 양성 검출이 최소화되었음을 의미하며, 이는 정확한 뼈 부피 추정에 매우 중요하다.
• 모델의 예측 뼈 부피는 기준 부피와 비교해 R² 0.9956(p < 0.001)를 기록하여 강한 선형 상관관계를 확인하였다.
• 시각적 검토 결과, 예측된 결과와 전문가가 그린 윤곽선 간에 높은 해부학적 정확도와 일관성이 확인되었다.
• 남성 및 여성 환자 모두에 걸쳐 강력한 일반화 능력을 보였으며, 하위군 분석에서도 일관된 성능을 보였다.