[논문 리뷰] Automated Cardiothoracic Ratio Calculation and Cardiomegaly Detection using Deep Learning Approach

Isarun Chamveha, Treethep Promwiset외 3명|arXiv (Cornell University)|2020. 02. 18.

Phonocardiography and Auscultation Techniques참고 문헌 20인용 수 25

한 줄 요약

이 논문은 흉부 X-레이에서 심장 및 폐 부위를 세분화하기 위해 VGG16 인코더를 갖춘 U-Net을 사용하여 자동으로 심장흉부비율(CTR)을 계산하고 심장비대를 탐지하는 딥러닝 기반 방법을 제안한다. 이 방법은 방사선의사가 CTR 측정을 위해 76.5%의 수용률을 보이며 수동 작업을 크게 줄이고 경미한 심장비대 사례에 대해 신뢰할 수 있는 제2의 의견을 제공한다.

ABSTRACT

We propose an algorithm for calculating the cardiothoracic ratio (CTR) from chest X-ray films. Our approach applies a deep learning model based on U-Net with VGG16 encoder to extract lung and heart masks from chest X-ray images and calculate CTR from the extents of obtained masks. Human radiologists evaluated our CTR measurements, and $76.5\%$ were accepted to be included in medical reports without any need for adjustment. This result translates to a large amount of time and labor saved for radiologists using our automated tools.

연구 동기 및 목표

• 방사선의사가 흉부 X-레이에서 심장흉부비율(CTR)을 수동으로 측정하는 데 소요되는 시간과 노동을 줄이기 위해.
• 이미지 세분화를 이용한 정확한 CTR 계산을 위한 자동화된 딥러닝 기반 시스템을 개발하기 위해.
• 특히 인간 판독자가 경미하거나 경계선 수준의 경우를 놓칠 수 있는 경우에도 높은 민감도로 심장비대를 탐지하기 위해.
• 데이터셋 레이블에 오류가 있을 수 있는 잠재적 진단 오류를 경고하는 신뢰할 수 있는 알고리즘적 '제2의 의견'을 제공하기 위해.

제안 방법

• 전면적 흉부 X-레이 영상에서 심장 및 폐 부위를 세분화하기 위해 VGG16 인코더를 갖춘 U-Net 아키텍처를 사용한다.
• 모델은 심장 및 폐에 대한 마스크를 예측하며, 이를 통해 중앙선에서 오른쪽/왼쪽 심장 직경(MRD, MLD)과 내흉직경(ID)을 계산한다.
• CTR는 공식 CTR = (MRD + MLD) / ID를 사용하여 계산되며, 측정치는 세분화 마스크의 범위에서 유도된다.
• 이 방법은 400개 미만의 레이블된 샘플로 훈련되었으며, 다양한 병원의 데이터셋 간에 일반화 가능하다.
• 인간 방사선의사가 자동 CTR 측정치를 평가하여 조정 없이 임상적 수용 가능성을 확인했다.
• 시스템은 MRD, MLD, ID 측정치의 정확한 위치를 강조하여 즉각적인 방사선의사 확인을 위한 시각적 단서를 제공한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 방사선의사의 수동 조정 없이도 자동 CTR 측정에 대해 높은 임상적 수용성을 달성할 수 있는가?
• RQ2 경계선 또는 경미한 비정상적인 경우에서 자동 CTR 탐지 성능이 인간 레이블링 결과와 비교해 어떻게 되는가?
• RQ3 데이터셋 레이블에 오류가 얼마나 포함되어 있으며, 알고리즘이 인간 판독자와 기존 레이블링 시스템이 모두 놓친 사례를 탐지할 수 있는가?
• RQ4 인간의 인지 한계 이하이지만 임상적으로 중요한 경미한 심장비대 사례를 모델이 탐지할 수 있는가?
• RQ5 제한된 훈련 데이터로 다양한 기관의 다양한 데이터셋에서 알고리즘이 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 방법은 자동 CTR 측정에 대해 방사선의사들 사이에서 76.5%의 수용률을 달성하여 강력한 임상적 유용성을 보이며 수동 작업을 줄였다.
• NIH 흉부 X-레이 데이터셋에서 알고리즘은 심장비대 탐지에 대해 67.1%의 정확도, 민감도 0.81, 특이도 0.69를 달성했다.
• CheXpert 데이터셋에서 알고리즘은 정확도 69.8%, 민감도 0.69, 특이도 0.70을 달성했다.
• NIH 데이터셋의 83.3%의 가짜 양성 사례와 CheXpert 데이터셋의 87.4%는 CTR 값이 0.5에서 0.6 사이에 있었으며, 임계값 근처에서 잘못 분류될 위험이 높음을 시사했다.
• NIH 흉부 X-레이 데이터셋의 13.9%와 CheXpert 데이터셋의 32.5% 레이블이 방사선의사가 수용한 CTR 값과 일치하지 않아 심각한 레이블 노이즈가 존재함을 드러냈다.
• 알고리즘이 데이터셋에서 '심장비대 없음'으로 잘못 레이블링된 경미한 심장비대 사례(CTR 0.5–0.55)를 탐지하여 제2의 의견 도구로서의 가치를 입증했다.