[논문 리뷰] Atherosclerotic carotid plaques on panoramic imaging: an automatic detection using deep learning with small dataset

Lazar Kats, Marilena Vered외 2명|arXiv (Cornell University)|2018. 08. 24.

Cerebrovascular and Carotid Artery Diseases참고 문헌 19인용 수 6

한 줄 요약

이 연구는 65장의 영상으로 구성된 소규모 데이터셋을 사용하여 빠른 R-CNN 딥러닝 모델을 활용해 일상적인 치과 풍경 레이저에서 동맥경화성 carotid plaque(ACPs)를 자동으로 탐지하는 방법을 제안한다. 제한된 학습 데이터에도 불구하고, 이 방법은 75%의 민감도, 80%의 특이도, 83%의 정확도를 달성하여 치과 환경에서 조기 뇌졸중 예방의 가능성을 입증한다.

ABSTRACT

Stroke is the second most frequent cause of death worldwide with a considerable economic burden on the health systems. In about 15% of strokes, atherosclerotic carotid plaques (ACPs) constitute the main etiological factor. Early detection of ACPs may have a key-role for preventing strokes by managing the patient a-priory to the occurrence of the damage. ACPs can be detected on panoramic images. As these are one of the most common images performed for routine dental practice, they can be used as a source of available data for computerized methods of automatic detection in order to significantly increase timely diagnosis of ACPs. Recently, there has been a definite breakthrough in the field of analysis of medical images due to the use of deep learning based on neural networks. These methods, however have been barely used in dentistry. In this study we used the Faster Region-based Convolutional Network (Faster R-CNN) for deep learning. We aimed to assess the operation of the algorithm on a small database of 65 panoramic images. Due to a small amount of available training data, we had to use data augmentation by changing the brightness and randomly flipping and rotating cropped regions of interest in multiple angles. Receiver Operating Characteristic (ROC) analysis was performed to calculate the accuracy of detection. ACP was detected with a sensitivity of 75%, specificity of 80% and an accuracy of 83%. The ROC analysis showed a significant Area Under Curve (AUC) difference from 0.5. Our novelty lies in that we have showed the efficiency of the Faster R-CNN algorithm in detecting ACPs on routine panoramic images based on a small database. There is a need to further improve the application of the algorithm to the level of introducing this methodology in routine dental practice in order to enable us to prevent stroke events.

연구 동기 및 목표

• 풍경 치과 X-레이에서 동맥경화성 carotid plaque(ACPs)를 자동으로 탐지하는 방법을 개발하기 위해.
• 치의학 분야에서 수동으로 레이블이 붙은 의료 영상의 가용성이 제한적이기 때문에, 소규모 풍경 영상 데이터셋에서 딥러닝의 성능을 평가하기 위해.
• 일상적인 치과 풍경 영상의 재사용 가능성을 탐색하여 뇌졸중 위험 조기 탐지에 기여하기 위해.
• 예방의료를 위한 치과 진료에 AI 기반 ACP 탐지 기능을 통합하는 것이 가능한지 평가하기 위해.

제안 방법

• 풍경 치과 X-레이에서 객체 탐지를 위해 빠른 영역 기반 컨volution 신경망(Faster R-CNN)을 사용하였다.
• 학습 데이터 다양성을 높이기 위해 밝기 조정, 무작위 플립, 영역 중심 회전 등의 데이터 증강 기법을 적용하였다.
• 모델 학습 및 검증을 위해 수작업으로 레이블이 부여된 65장의 풍경 영상 데이터셋을 사용하였다.
• 탐지 성능 평가를 위해 수신기 작동 특성(ROC) 분석을 수행하고, 곡선 아래 면적(AUC)을 계산하였다.
• 사전 학습된 특징을 치과 영상 도메인에 적응시키기 위해 전이 학습 원칙을 사용해 모델을 종단 간(end-to-end)으로 학습시켰다.
• 제한된 데이터에서 수렴성을 향상시키기 위해 학습률 스케줄링을 적용한 확률적 경사 하강법을 사용해 모델을 최적화하였다.

실험 결과

연구 질문

• RQ1 소규모 학습 데이터셋을 가진 상태에서 딥러닝 모델이 풍경 치과 X-레이에서 동맥경화성 carotid plaque를 높은 정확도로 탐지할 수 있는가?
• RQ2 데이터 증강 기법이 치의학 분야의 제한된 의료 영상 데이터에서 Faster R-CNN 모델의 일반화 능력을 향상시키는 데 얼마나 효과적인가?
• RQ3 제안된 방법이 풍경 X-레이에서 ACP를 식별할 때 민감도와 특이도는 각각 얼마인가?
• RQ4 일상적인 치과 풍경 영상이 뇌졸중 관련 혈관 병변의 조기 탐지에 실질적인 자료로 활용될 수 있는가?
• RQ5 모델의 성능이 예방적 뇌졸중 스크리닝을 위한 임상적 유용성에 얼마나 도달하는가?

주요 결과

• 제안된 Faster R-CNN 모델은 풍경 치과 X-레이에서 동맥경화성 carotid plaque 탐지에 대해 75%의 민감도를 달성하였다.
• 모델는 80%의 특이도를 보이며, 병변이 없는 경우를 정확하게 식별할 수 있는 능력을 보였다.
• 테스트 세트의 65장의 풍경 영상 전반에서 탐지 시스템의 총 정확도는 83%에 도달하였다.
• ROC 곡선 아래 면적(AUC)은 0.5와 통계적으로 유의미한 차이를 보이며, 모델의 분류 능력을 확인하였다.
• 데이터 증강 기법은 소규모 데이터셋에서 모델의 강건성과 일반화 능력을 크게 향상시켰다.
• 이 연구는 제한된 치과 영상 데이터를 기반으로 한 딥러닝을 활용해 뇌졸중 관련 혈관 병변의 조기 탐지가 가능하다는 것을 확인하였다.