[논문 리뷰] A Review on Deep-Learning Algorithms for Fetal Ultrasound-Image Analysis

Maria Chiara Fiorentino, Francesca Pia Villani외 3명|arXiv (Cornell University)|2022. 01. 28.

Fetal and Pediatric Neurological Disorders인용 수 7

한 줄 요약

이 논문은 2017–2023년 사이의 최근 145篇의 연구를 포함하여, 태반 초음파 영상 분석 분야에서의 딥러닝(DL) 응용에 대한 종합적이고 최신의 리뷰를 제공한다. 연구는 표준 평면 탐지, 해부학적 구조 분석, 생체측정치 추정으로 체계적으로 분류되며, 성능 평가 지표와 공개된 데이터셋을 평가하고, 데이터 부족, 연합학습의 도입 부족, 딥러닝 연구에서의 윤리적 준수 부족과 같은 주요 과제를 규명한다.

ABSTRACT

Deep-learning (DL) algorithms are becoming the standard for processing ultrasound (US) fetal images. Despite a large number of survey papers already present in this field, most of them are focusing on a broader area of medical-image analysis or not covering all fetal US DL applications. This paper surveys the most recent work in the field, with a total of 145 research papers published after 2017. Each paper is analyzed and commented on from both the methodology and application perspective. We categorized the papers in (i) fetal standard-plane detection, (ii) anatomical-structure analysis, and (iii) biometry parameter estimation. For each category, main limitations and open issues are presented. Summary tables are included to facilitate the comparison among the different approaches. Publicly-available datasets and performance metrics commonly used to assess algorithm performance are summarized, too. This paper ends with a critical summary of the current state of the art on DL algorithms for fetal US image analysis and a discussion on current challenges that have to be tackled by researchers working in the field to translate the research methodology into the actual clinical practice.

연구 동기 및 목표

• 기존의 광범위한 서베이에서의 격차를 메우기 위해, 태반 초음파 영상 분석에 특화된 집중적이고 최신의 리뷰를 제공하는 것.
• 표준 평면 탐지, 해부학적 구조 분석, 생체측정 매개변수 추정이라는 세 가지 핵심 임상 과제에서 최근의 딥러닝 방법을 분류하고 분석하는 것.
• 분야에서 사용된 공개된 데이터셋과 성능 평가 지표를 평가하여 재현 가능성과 벤치마킹을 지원하는 것.
• 딥러닝 연구를 임상 현장에 적용하는 데 방해가 되는 지속적인 한계와 열린 과제—예를 들어, 데이터 프라이버시, 연합학습 부족, 윤리적 준수 부족—을 규명하는 것.
• 연구자들이 태반 초음파 영상 분석 분야의 방법론적 장단점, 성능 결과, 향후 연구 방향을 요약하여 안내하는 것.

제안 방법

• 2017년 이후 출판된 145편의 동료 심사된 저널 및 컆퍼런스 논문을 체계적으로 분석하였으며, IEEEXplore, Scopus, SpringerLink, ScienceDirect, PubMed 등에서 关련 키워드 기반 검색을 통해 선정하였다.
• 논문들은 주로 세 가지 임상 과제로 분류되었으며, (i) 태반 표준 평면 탐지, (ii) 해부학적 구조 분석, (iii) 생체측정 매개변수 추정이며, 추가로 잡다한 섹션에서 새로운 과제들에 대해서도 다루었다.
• 각 카테고리에서 기술적 접근 방식(예: CNN, YOLO, U-Net, GAN, 트랜스포머), 성능 지표(예: Dice, IoU, AUC, RMSE), 데이터셋 특성 등을 기반으로 방법론을 평가하였다.
• 훈련/테스트 세트 크기, 어노테이터 수, 연구 간 성능 비교를 가능하게 하기 위해 요약 테이블을 구축하여 다중 방법 간 비교 분석을 가능하게 하였다.
• 공개된 데이터셋(예: Grand Challenge, ISBI, 기관 소속 컬렉션 등)과 문헌에서 일반적으로 사용되는 성능 지표(예: 정확도, F1 점수, RMSE)를 평가하였다.
• 조사 결과를 바탕으로 윤리적 및 방법론적 과제—예를 들어, EU의 신뢰할 수 있는 AI를 위한 윤리 가이드라인 준수 부족, 연합학습의 부재—를 비판적으로 논의하였다.

실험 결과

연구 질문

• RQ1 딥러닝을 활용한 태반 초음파 영상 분석에서 가장 활발히 연구된 과제는 무엇이며, 2017년 이후로 어떻게 변화해 왔는가?
• RQ2 다양한 과제(예: 탐지, 세그멘테이션, 생체측정)에서 가장 흔히 사용되는 딥러닝 아키텍처와 성능 지표는 무엇인가?
• RQ3 공개된 데이터셋이 태반 초음파에서 강건하고 일반화 가능한 딥러닝 모델을 훈련시키기에 충분하고 대표적인가?
• RQ4 딥러닝 방법의 임상 적용을 저해하는 주요 한계와 열린 과제—특히 데이터 프라이버시, 모델 일반화, 윤리적 AI 측면에서—는 무엇인가?
• RQ5 데이터 공유 및 프라이버시 문제를 해결할 잠재력을 지닌데도 불구하고, 왜 연합학습이 태반 초음파 딥러닝 연구에서 낮은 비중을 차지하고 있는가?

주요 결과

• 최근 딥러닝 연구의 대부분은 표준 평면 탐지(예: 4CH, 3VV, FLVSP)에 집중되어 있으며, YOLO 기반 모델이 벤치마크 데이터셋에서 높은 mAP 값(예: >0.90)을 기록하였다.
• 해부학적 구조 세그멘테이션 과제에서는 U-Net 및 그 변종이 여전히 주로 사용되며, 태반 뇌 및 뇌실과 같은 구조에서 Dice 점수가 종종 0.85를 초과한다.
• CNN과 회귀 헤드를 사용한 생체측정 매개변수 추정(예: BPD, HC, AC)은 낮은 RMSE 값(예: BPD 및 AC의 경우 <2 mm)을 기록하여 임상 적용에 매우 높은 정확도를 보였다.
• 통제된 환경에서는 뛰어난 성능를 보였지만, большин의 모델들이 데이터셋 편향과 다양성 부족으로 인해 다양한 스캐너, 프로토콜, 환자 집단 간 일반화 능력이 제한되어 있다.
• 검토된 논문 중 18%만이 100건 이상의 스캔을 포함한 데이터셋을 사용하였고, 연합학습을 적용한 연구는 전혀 없었으며, 이는 프라이버시 보호를 위한 다기관 협업의 잠재력을 고려할 때 아쉬운 대목이다.
• 조사된 논문 중 어느 것도 EU의 신뢰할 수 있는 AI를 위한 윤리 가이드라인 준수를 명시적으로 다루지 않았으며, 평가 체크리스트나 투명성 보고서의 부재가 확인되었다.