[논문 리뷰] Abdominal Aortic Aneurysm Segmentation with a Small Number of Training Subjects

Jian-Qing Zheng, Xiao-Yun Zhou외 3명|arXiv (Cornell University)|2018. 04. 09.

Aortic aneurysm repair treatments참고 문헌 3인용 수 8

한 줄 요약

이 논문은 과도한 피td를 방지하기 위해 회색조 값 변동성과 이동(G.&T.) 데이터 증강 기법을 활용하여 단 두 명의 환자에서만 훈련된 U-Net 기반 방법을 제안한다. 이는 복부 대동맥aneurysm(ANA)의 세분화를 가능하게 하며, DSC(Dice 유사도 계수)가 0.8 이상을 달성하여, 분기형 내재성 대동맥 수리(FEVAR)에서 스텐트 graft 맞춤 제작을 위한 근위 및 원위 랜딩 존 및 대동맥 분지의 정확한 3D 재구성 가능하다.

ABSTRACT

Pre-operative Abdominal Aortic Aneurysm (AAA) 3D shape is critical for customized stent-graft design in Fenestrated Endovascular Aortic Repair (FEVAR). Traditional segmentation approaches implement expert-designed feature extractors while recent deep neural networks extract features automatically with multiple non-linear modules. Usually, a large training dataset is essential for applying deep learning on AAA segmentation. In this paper, the AAA was segmented using U-net with a small number (two) of training subjects. Firstly, Computed Tomography Angiography (CTA) slices were augmented with gray value variation and translation to avoid the overfitting caused by the small number of training subjects. Then, U-net was trained to segment the AAA. Dice Similarity Coefficients (DSCs) over 0.8 were achieved on the testing subjects. The PLZ, DLZ and aortic branches are all reconstructed reasonably, which will facilitate stent graft customization and help shape instantiation for intra-operative surgery navigation in FEVAR.

연구 동기 및 목표

• 딥 러닝을 위해 일반적으로 대규모 데이터셋이 필요로 하는 AAA 세분화에서 훈련 데이터가 부족한 문제를 해결하기 위해.
• FEVAR에서 맞춤형 스텐트 그라프 설계를 지원하기 위해 전술적 AAA 3D 형태 재구성을 위한 강건한 세분화 방법을 개발하기 위해.
• 대조 및 동맥류 위치의 환자 간 변동성이 있는 단 두 명의 환자에서만 훈련할 경우 딥 러닝 모델의 과적합을 줄이기 위해.
• 기존의 회전 및 반사(R.&M.) 증강 방식과 비교하여, 새로운 데이터 증강 전략인 회색조 값 변동성과 이동(G.&T.)의 효과를 평가하기 위해.
• FEVAR 수술 계획 및 내시경 수술에서 사용하기 위해 핵심 해부학적 구조(근위 랜딩 존, 원위 랜딩 존, 대동맥 분지)의 정확한 3D 재구성 가능성을 확보하기 위해.

제안 방법

• 입력 크기 512×512, 초기 특징 수 64를 갖는 34층의 U-Net을 사용하여 CTA 영상의 슬라이스 단위 세분화를 수행하였다.
• 환자 간 대조 및 위치 변동성을 시뮬레이션하기 위해, 그레이 값 변동성과 이동(G.&T.)을 통한 데이터 증강 기법을 적용하여 훈련 샘플 수를 45~72배 증가시켰다.
• 성능 차이를 평가하기 위해 비교적 방법으로서 회전 및 반사(R.&M.) 증강 기법을 사용하였다.
• 확률적 경사 하강법(SGD)을 사용하여 교차 엔트로피 손실를 최소화하였으며, 운동량 0.9와 초기 학습률 0.1을 설정하였고, 수렴이 정체될 경우 학습률을 0.1로 감소시켰다.
• 후처리 단계에서 MATLAB의 regionprops와 bwareopen을 사용하여 가장 큰 연결 성분을 추출한 후, 마치징 큐브 알고리즘을 이용해 3D 재구성하였다.
• 교차 검증 전략을 적용하여, 각 환자마다 한 번씩 테스트를 수행하고 나머지 두 명의 환자를 훈련에 사용하였으며, 일관성을 확보하기 위해 비대조 환자 1번은 제외하였다.

실험 결과

연구 질문

• RQ1 목표 데이터 증강 기법을 사용하여 단 두 명의 환자에서만 훈련된 U-Net이 높은 정확도의 AAA 세분화를 달성할 수 있는가?
• RQ2 제한된 데이터에서 G.&T. 데이터 증강 기법이 기존의 R.&M. 증강 기법과 비교하여 세분화 성능에서 어떻게 다를 수 있는가?
• RQ3 28층에서 34층으로 U-Net의 깊이를 증가시키면 소규모 데이터셋에서 세분화 정확도가 향상되는가?
• RQ4 비대조 스캔을 포함한 다양한 환자 데이터셋에 대해 제안된 방법이 강건한가?
• RQ5 이 방법은 FEVAR 계획에서 임상적 사용을 위해 신뢰성 있게 핵심 해부학적 특징(PLZ, DLZ, 대동맥 분지)을 재구성할 수 있는가?

주요 결과

• G.&T. 데이터 증강 전략은 R.&M. 증강 방식보다 유의미하게 뛰어난 성능을 보였으며, 평균 DSC는 0.802±0.157을 기록하여 R.&M.의 0.500±0.304보다 높았다.
• 34층 U-Net은 28층 버전보다 더 높은 세분화 정확도를 달성하였으며, DSC는 0.757±0.151에서 0.802±0.157로 향상되었다.
• 이 방법은 다양한 데이터셋에 대해 강건성을 보였으며, 환자 1번과 3번으로 훈련했을 경우 DSC 0.824±0.131의 성능을 달성하였다.
• 근위 및 원위 랜딩 존, 대동맥 분지를 포함한 AAA의 3D 재구성은 해부학적으로 타당했으며, 포인트 클러스터-메쉬 거리 분석을 통해 검증되었다.
• 세분화 결과는 높은 일관성을 보였으며, 여러 테스트 환자에서 평균 DSC 값이 0.8를 초과하였다.
• 이 방법은 AAA와 그 중요한 해부학적 랜드마크의 정확한 3D 모델링을 가능하게 하여, 향후 FEVAR 수술에서 스텐트 그라프 맞춤 제작 및 수술 중 내시경 내비게이션에 활용 가능성을 제공한다.