[논문 리뷰] A novel method for automatic localization of joint area on knee plain radiographs

Aleksei Tiulpin, Jérôme Thevenot외 2명|arXiv (Cornell University)|2017. 01. 31.

Osteoarthritis Treatment and Mechanisms참고 문헌 18인용 수 5

한 줄 요약

이 논문은 해부학적 지식을 반영한 제안 생성과 사전 훈련된 SVM 분류기를 사용한 방향성 기울기 히스토GRAM(HoG)을 활용하여, 단순 레이저 영상에서 무릎 관절 영역을 자동으로 국소화하기 위한 새로운 계산 효율적인 방법을 제안한다. 이 방법은 세 가지 다양한 데이터셋에서 평균 교차율(IoU) 점수로 0.84, 0.79, 0.78를 기록하여 강력한 일반화 능력과 대규모 무릎 관절염(OA) 진단에 적합함을 입증한다.

ABSTRACT

Osteoarthritis (OA) is a common musculoskeletal condition typically diagnosed from radiographic assessment after clinical examination. However, a visual evaluation made by a practitioner suffers from subjectivity and is highly dependent on the experience. Computer-aided diagnostics (CAD) could improve the objectivity of knee radiographic examination. The first essential step of knee OA CAD is to automatically localize the joint area. However, according to the literature this task itself remains challenging. The aim of this study was to develop novel and computationally efficient method to tackle the issue. Here, three different datasets of knee radiographs were used (n = 473/93/77) to validate the overall performance of the method. Our pipeline consists of two parts: anatomically-based joint area proposal and their evaluation using Histogram of Oriented Gradients and the pre-trained Support Vector Machine classifier scores. The obtained results for the used datasets show the mean intersection over the union equal to: 0.84, 0.79 and 0.78. Using a high-end computer, the method allows to automatically annotate conventional knee radiographs within 14-16ms and high resolution ones within 170ms. Our results demonstrate that the developed method is suitable for large-scale analyses.

연구 동기 및 목표

• 단순 레이저 영상에서의 무릎 관절염(OA) 진단의 주관성과 변동성을 해결하기 위해.
• 컴퓨터 지원 진단(CAD)의 핵심 단계인 영상에서의 무릎 관절 영역 자동 국소화를 위한 계산 효율적이고 견고한 방법을 개발하기 위해.
• 다양한 데이터 소스에서 높은 성능을 유지하면서 철저한 재훈련 없이도 대규모 무릎 X선 데이터셋 분석을 가능하게 하기 위해.
• 슬라이딩 윈도우 및 템플릿 기반 접근 방식을 개선하기 위해 제안 생성 과정에 해부학적 구조 지식을 통합하기 위해.
• OAI, MOST, Jyväskylä를 포함한 여러 데이터셋 간의 일반화 능력을 입증하기 위해.

제안 방법

• 절대적인 슬라이딩 윈도우 검색을 피하기 위해 해부학적 기반의 관절 영역 제안 생성을 사용하여 계산 비용을 감소시킨다.
• 무릎 관절의 기대되는 공간적 구성에 기반하여 제안을 생성하며, 해부학적 사전 지식을 활용해 영역 선택을 안내한다.
• 각 제안 영역에 대해 방향성 기울기 히스토GRAM(HoG) 특징을 추출한 후, 사전 훈련된 서포트 벡터 머신(SVM)을 사용해 분류한다.
• 최종 검출 결과는 SVM 점수가 가장 높은 제안을 선택함으로써 높은 신뢰도를 확보한다.
• 빠른 처리를 위해 최적화된 파이프라인으로, 고성능 시스템에서 표준 해상도 영상의 경우 14–16ms, 고해상도 영상의 경우 170ms 내로 애너테이션을 완료할 수 있다.
• 병렬 처리를 고려하여 설계되었으며, GPU 가속 및 스케일링 전략을 통해 처리량을 추가로 향상시킬 수 있다.

실험 결과

연구 질문

• RQ1 해부학적 구조 기반의 새로운 제안 생성 전략이 기존의 슬라이딩 윈도우 접근 방식보다 단순 레이저 영상에서의 무릎 관절 국소화 성능을 뛰어나게 할 수 있는가?
• RQ2 제안된 방법은 다양한 이미지 품질과 촬영 프로토콜을 가진 여러 무릎 X선 데이터셋 간에 얼마나 잘 일반화되는가?
• RQ3 이 방법의 계산 효율성은 어떠한가? 하루에 수십만~수백만 장의 영상을 처리할 수 있는 대규모 분석에 적합한가?
• RQ4 기울기 기반 검출에 의존하는 기준 방법에 비해 해부학적 사전 지식을 통합함으로써 국소화 정확도와 견고성이 얼마나 향상되는가?
• RQ5 임상 또는 연구 환경에서 고처리량 요구 사항을 충족하기 위해 이 방법을 효율적으로 병렬 처리하거나 최적화할 수 있는가?

주요 결과

• 제안된 방법은 Jyväskylä, MOST, OKOA 데이터셋에서 각각 평균 교차율(IoU) 점수로 0.84, 0.79, 0.78를 기록하여 기준 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 기존 논문의 기준 방법은 동일한 데이터셋에서 각각 0.10, 0.33, 0.26의 평균 IoU를 기록하여 제안된 방법의 우수성을 입증했다.
• IoU 임계값 0.5, 0.7, 0.8에서 80% 이상의 리콜을 확보하여 다양한 케이스에서 관절 영역을 신뢰성 있게 탐지함을 나타냈다.
• 매우 효율적인 방법으로, 표준 해상도 무릎 X선 영상은 14–16ms, 고해상도 영상은 고성능 컴퓨터에서 170ms 내로 처리할 수 있었다.
• CPU 기반 데이터 병렬 구현을 통해 2500×2000 크기의 영상 약 600만 장을 하루에 애너테이션할 수 있었으며, 이는 대규모 연구를 가능하게 했다.
• 이 방법은 아티팩트가 포함된 데이터셋(예: 위치 프레임)을 포함한 다양한 데이터셋 간에도 잘 일반화되어 있으며, 기존 기준 방법이 자주 오류를 범하는 요소들에 대해서도 우수한 성능을 보였다.