[논문 리뷰] Adversarially Learning a Local Anatomical Prior: Vertebrae Labelling with 2D reformations.

Anjany Sekuboyina, Markus Rempfler외 3명|arXiv (Cornell University)|2019. 02. 06.

Medical Imaging and Analysis인용 수 5

한 줄 요약

이 논문은 CT 영상에서 척추를 국소화하고 레이블링하기 위해 sagittal 및 coronal 재편성(reformation)을 사용하는 엔드 투 엔드, 독립형 2D 컨볼루션 네트워크인 Btrfly net을 제안한다. 해부학적 사전 지식을 인코딩하기 위해 두 가지 이상의 적대적 훈련 방식을 활용함으로써, 공개 데이터셋에서 88% 이상의 식별 정확도를 달성하였고, 후처리 없이도 높은 변동성이 있는 내부 데이터셋에서도 강건성을 입증하였다.

ABSTRACT

Robust localisation and identification of vertebrae, jointly termed vertebrae labelling, in computed tomography (CT) images is an essential component of automated spine analysis. Current approaches for this task mostly work with 3D scans and are comprised of a sequence of multiple networks. Contrarily, our approach relies only on 2D reformations, enabling us to design an end-to-end trainable, standalone network. Our contribution includes: (1) Inspired by the workflow of human experts, a novel butterfly-shaped network architecture (termed Btrfly net) that efficiently combines information across sufficiently-informative sagittal and coronal reformations. (2) Two adversarial training regimes that encode an anatomical prior of the spine's shape into the Btrfly net, each enforcing the prior in a distinct manner. We evaluate our approach on a public benchmarking dataset of 302 CT scans achieving a performance comparable to state-of-art methods (identification rate of $>$88%) without any post-processing stages. Addressing its translation to clinical settings, an in-house dataset of 65 CT scans with a higher data variability is introduced, where we discuss refinements that render our approach robust to such scenarios.

연구 동기 및 목표

• 복잡한 다중 네트워크 파이프라인을 피하는 강건한 엔드 투 엔드 척추 레이블링 방법을 개발하기 위해.
• 해부학적 변동성과 영상 노이즈에도 불구하고 척추를 정확하게 국소화하고 식별하는 과제를 해결하기 위해.
• 적대적 훈련을 통해 척추의 현실적인 해부학적 사전 지식을 모델에 인코딩하기 위해.
• 공개 벤치마크와 높은 변동성이 있는 내부 데이터셋을 포함한 다양한 데이터셋에서 성능을 평가하기 위해.
• 실제 임상 환경에서의 데이터 변동성에 강건함을 입증함으로써 임상 적용 가능성을 확보하기 위해.

제안 방법

• Btrfly net는 sagittal 및 coronal 2D 재편성을 통합하여 해부학적 맥락 이해를 향상시키는 나비 모양의 아키텍처를 사용한다.
• 모델은 해부학적 타당성을 강제하기 위해 비현실적인 척추 형태를 방지하는 방식으로, 두 가지 다른 이상적 훈련 방식을 사용하여 훈련된다.
• 적대적 훈련은 분할을 명시적으로 요구하지 않으며, 특징 공간에 적용되어 네트워크가 현실적인 척추 형태 사전 지식을 학습하도록 유도한다.
• 네트워크는 3D 볼륨 처리나 다단계 추론이 필요 없도록 2D 재편성에서 엔드 투 엔드로 훈련된다.
• 아키텍처는 후처리 단계 없이도 독립형으로 훈련 가능하도록 설계되어 있다.
• 다양한 평면의 재편성 융합을 강조함으로써 인간 전문가의 워크플로우를 모방하여 공간 인식 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 후처리 없이도 2D 기반 엔드 투 엔드 네트워크가 3D 다중 네트워크 접근 방식을 능가할 수 있는가?
• RQ2 적대적 훈련이 척추 영상의 세분화 네트워크에 해부학적 사전 지식을 얼마나 효과적으로 인코딩할 수 있는가?
• RQ3 학습 중에 볼 수 없었던 높은 변동성이 있는 임상 데이터에 모델이 일반화될 수 있는가?
• RQ4 sagittal 및 coronal 재편성을 별개로 사용하는 것과 함께 사용하는 것의 영향은 척추 국소화에 어떤가?
• RQ5 정확도와 강건성 측면에서 제안된 방법은 최신 3D 기반 접근 방식과 어떻게 비교되는가?

주요 결과

• 제안된 방법은 302개의 CT 스캔으로 구성된 공개 벤치마크 데이터셋에서 88% 이상의 식별률을 달성하여 최신 기술 수준의 성능을 보였다.
• 모델은 후처리 단계 없이도 이 성과를 달성하여 강력한 엔드 투 엔드 일반화 능력을 입증하였다.
• 적대적 훈련 방식이 해부학적 사전 지식을 성공적으로 인코딩하여 형태 변화와 노이즈에 대한 강건성을 향상시켰다.
• 더 높은 데이터 변동성이 있는 65개의 CT 스캔으로 구성된 내부 데이터셋에서도 잘 일반화되어 임상 적용 가능성에 대한 신뢰를 확보하였다.
• Btrfly net 아키텍처를 통해 sagittal 및 coronal 재편성을 융합함으로써 단일 평면 기반 기준 대비 국소화 정확도가 크게 향상되었다.
• 독립형 2D 기반 설계로 계산 복잡도가 감소하였고, 높은 성능 유지로 임상 환경에서의 쉽게 구현 가능성이 높아졌다.