[논문 리뷰] A statistical shape model for radiation-free assessment and classification of craniosynostosis

Matthias Schaufelberger, Reinald Kühle외 9명|arXiv (Cornell University)|2022. 01. 10.

Craniofacial Disorders and Treatments인용 수 4

한 줄 요약

이 논문은 1.5세 미만의 유아를 대상으로 한, 공개된 최초의 통계적 3차원 형태 모델을 제시한다. 이는 영상 촬영을 수반하지 않는 광학 촬영 기반 표면 스캔을 통해 방사선 없이 평가하고 분류할 수 있도록 한다. 형태 모델 기반 파이프라인과 선형 판별 분석을 사용한 방법은 97.8%의 분류 정확도를 달성하여, CT 기반 방법과 비교해도 최신 기술 수준의 성능을 보여준다.

ABSTRACT

The assessment of craniofacial deformities requires patient data which is sparsely available. Statistical shape models provide realistic and synthetic data enabling comparisons of existing methods on a common dataset. We build the first publicly available statistical 3D head model of craniosynostosis patients and the first model focusing on infants younger than 1.5 years. We further present a shape-model-based classification pipeline to distinguish between three different classes of craniosynostosis and a control group on photogrammetric surface scans. To the best of our knowledge, our study uses the largest dataset of craniosynostosis patients in a classification study for craniosynostosis and statistical shape modeling to date. We demonstrate that our shape model performs similar to other statistical shape models of the human head. Craniosynostosis-specific pathologies are represented in the first eigenmodes of the model. Regarding the automatic classification of craniosynostis, our classification approach yields an accuracy of 97.8%, comparable to other state-of-the-art methods using both computed tomography scans and stereophotogrammetry. Our publicly available, craniosynostosis-specific statistical shape model enables the assessment of craniosynostosis on realistic and synthetic data. We further present a state-of-the-art shape-model-based classification approach for a radiation-free diagnosis of craniosynostosis.

연구 동기 및 목표

• 방사선 노출 없이 3차원 통계적 형태 모델을 개발하여, 특히 1.5세 미만의 유아를 대상으로 의료 평가 및 시뮬레이션 지원을 목적으로 한다.
• 비대조, 광학 촬영 기반 표면 스캔을 사용하여, 뇌선두조합증의 하위 유형과 대조군을 정확하게 분류할 수 있도록 한다.
• 미래의 두개부비골 기형 분석 연구를 위한 기준 데이터셋과 모델을 구축하여, 희소하고 방사선에 의존하는 데이터의 한계를 극복한다.
• 형태 모델 생성 및 분류 성능에서 여러 형태 변형 기법을 비교하고 검증한다.

제안 방법

• 저자들은 대규모 뇌선두조합증 환자 및 대조군의 3차원 표면 스캔을 이용해 통계적 형태 모델(Statistical Shape Model, SSM)을 구축하였으며, 형태의 지표점 정렬된 형태에 대해 주성분 분석(Principal Component Analysis, PCA)을 적용하였다.
• 정확한 형태 정렬 및 변형을 위해 고도로 발전된 비선형 정렬 기법—특히 N-ICP-A, N-ICP-T, 2S-LBRP, ICPD-LBRP—을 적용하였으며, 기하학적 무결성을 유지하기 위해 라플라스-벨트라미 정규화를 사용하였다.
• 형태를 공통 기준으로 정렬하기 위해 일반화된 프로크루스터 분석(Generalized Procrustes Analysis, GPA)을 사용하여 강체 변환의 영향을 최소화하고 일관된 형태 비교를 가능하게 하였다.
• 형태 모델의 타당성을 평가하기 위해 압축성, 일반화 능력, 특이성 지표를 사용하여 실제 두개부비골 변형을 잘 표현할 수 있는지 평가하였다.
• SSM에서 유도된 형태 계수를 기반으로 선형 판별 분석(LDA), 서포트 벡터 머신(SVM), 나이브 베이즈, k-최근접 이웃(kNN), 앙상블 의사결정수형 등 다양한 기계 학습 모델을 사용해 분류를 수행하였다.
• 지표점 기반 정렬에는 12개의 해부학적 천골지표점(cephalometric landmarks)을 사용하였으며, 정상적인 정렬 조건과 대응 관계 설정에 대한 제약 조건을 적용하여 해부학적 일관성을 확보하였다.

실험 결과

연구 질문

• RQ1 1.5세 미만의 환자에게서 방사선 없이도 통계적으로 신뢰할 수 있는 3차원 형태 모델를 구축할 수 있는가? 이는 의료 영상 접근성이 제한된 인구군에 대해 중요하다.
• RQ2 비선형 변형 기법(예: N-ICP-A, 2S-LBRP, ICPD-LBRP) 간의 정확도, 압축성, 일반화 능력 측면에서 어떤 차이가 있는가? 이는 두개부비골 형태 모델링에 영향을 준다.
• RQ3 광학 촬영 스캔로 학습된 통계적 형태 모델이, 뇌선두조합증 하위 유형과 대조군을 구분하는 데 높은 분류 정확도를 달성할 수 있는가?
• RQ4 CT나 MRI 데이터로 학습된 모델과 비교해 볼 때, 제안된 SSM은 형태 표현력과 진단 유용성 측면에서 유사한 성능을 보일 수 있는가?
• RQ5 형태 계수를 기반으로 SSM에 적용된 기계 학습 분류기 중 어떤 것이 뇌선두조합증 분류에 있어 최적의 성능을 보이는가?

주요 결과

• 제안된 통계적 형태 모델(SSM)은 다른 기존의 두개부비골 SSM과 유사한 성능을 보이며, 비대조 표면 스캔으로 학습되었음에도 불구하고 표현 품질이 검증되었다.
• 뇌선두조합증 특유의 병변은 주로 모델의 첫 몇 개 주성분에 집중되어 있어, 질병과 관련된 강한 형태 변동성을 반영하고 있음을 시사한다.
• N-ICP-T 변형 기법은 선형 판별 분석(LDA)과 조합했을 때 98.1%의 최고 분류 정확도를 기록하여 다른 변형 기법을 능가하였다.
• LDA 분류기는 모든 변형 기법에서 가장 높은 총 정확도(98.1%)를 달성하였으며, N-ICP-A 기법과 조합했을 때도 97.8%의 뛰어난 성능을 보였다.
• 모델는 일반화 오차가 1mm 미만, 특이성 오차가 2mm 이하로 나타나 실제 두개부비골 형태를 잘 표현할 수 있음을 시사한다.
• 본 연구는 통계적 형태 모델링 및 분류 연구에서 사용된 가장 큰 뇌선두조합증 환자 데이터셋을 제공하며, 광범위한 임상 적용 가능성을 지닌다.