[논문 리뷰] Automated Muscle Segmentation from Clinical CT using Bayesian U-Net for Personalized Musculoskeletal Modeling

Yuta Hiasa, Yoshito Otake외 4명|arXiv (Cornell University)|2019. 07. 21.

Radiomics and Machine Learning in Medical Imaging참고 문헌 39인용 수 5

한 줄 요약

이 논문은 임상 CT 영상에서 개별 근육을 자동으로 정확하게 분할하기 위해 몬테카를로 드롭아웃을 적용한 베이지안 U-Net을 제안하며, 딱도 계수 0.891 ± 0.016를 달성하고 불확실성 추정치가 효과적인 능동 학습을 가능하게 하여 척추계 생체역학 모델링 응용 분야에서 수동 애너테이션 비용을 감소시킴.

ABSTRACT

We propose a method for automatic segmentation of individual muscles from a clinical CT. The method uses Bayesian convolutional neural networks with the U-Net architecture, using Monte Carlo dropout that infers an uncertainty metric in addition to the segmentation label. We evaluated the performance of the proposed method using two data sets: 20 fully annotated CTs of the hip and thigh regions and 18 partially annotated CTs that are publicly available from The Cancer Imaging Archive (TCIA) database. The experiments showed a Dice coefficient (DC) of 0.891 +/- 0.016 (mean +/- std) and an average symmetric surface distance (ASD) of 0.994 +/- 0.230 mm over 19 muscles in the set of 20 CTs. These results were statistically significant improvements compared to the state-of-the-art hierarchical multi-atlas method which resulted in 0.845 +/- 0.031 DC and 1.556 +/- 0.444 mm ASD. We evaluated validity of the uncertainty metric in the multi-class organ segmentation problem and demonstrated a correlation between the pixels with high uncertainty and the segmentation failure. One application of the uncertainty metric in active-learning is demonstrated, and the proposed query pixel selection method considerably reduced the manual annotation cost for expanding the training data set. The proposed method allows an accurate patient-specific analysis of individual muscle shapes in a clinical routine. This would open up various applications including personalization of biomechanical simulation and quantitative evaluation of muscle atrophy.

연구 동기 및 목표

• 임상 CT 영상에서 개별 근육을 자동으로 분할하는 방법을 개발하여 환자 맞춤형 척추계 생체역학 모델링을 가능하게 하기.
• 특히 대퇴부 및 엉덩이 부위에서 낮은 연조직 대비와 복잡한 근육 해부학적 구조로 인한 과제를 해결하기.
• 딥 러닝 분할에 불확실성 추정을 통합하여 능동 학습을 이끌고 수동 애너테이션 부담을 줄이기.
• 기존 최고 수준의 방법들, 예를 들어 계층적 다중 애너테이션 기반 분할 방법에 비해 정확도와 계산 효율성 측면에서 향상시키기.
• 생체역학 시뮬레이션 및 근육 위축 또는 지방변성의 정량적 평가와 같은 임상 응용 분야를 지원하기.

제안 방법

• 이 방법은 두 단계의 파이프라인을 사용한다: 먼저 결정론적 U-Net이 피부 표면을 분할하고, 그 다음 베이지안 U-Net이 개별 근육을 분할한다.
• 베이지안 U-Net은 추론 시 몬테카를로 드롭아웃을 사용하여 다중 전방 전파 동안 예측 불확실성을 추정한다.
• 불확실성 맵은 픽셀 단위로 생성되며, 높은 불확실성은 분할 오류 또는 모호한 경계를 나타낸다.
• 능동 학습 프레임워크는 높은 불확실성을 가진 슬라이스를 전문가의 애너테이션 대상으로 선택하고, 낮은 불확실성 슬라이스는 학습 세트를 확장하는 데 사용된다.
• 유사도 기반 클러스터링 알고리즘은 불확실한 영역에서 대표 슬라이스를 선택하여 능동 학습에서 우선 순위를 정한다.
• 모델은 두 개의 데이터셋에서 훈련 및 평가되었으며, 20개의 완전히 애너테이션 처리된 대퇴부/엉덩이 CT 스캔과 18개의 부분적으로 애너테이션 처리된 TCIA 스캔을 포함한다.

실험 결과

연구 질문

• RQ1 몬테카를로 드롭아웃을 적용한 베이지안 U-Net이 임상 CT에서 개별 근육 분할에 있어 최고 수준의 기존 방법보다 더 높은 정확도를 달성할 수 있는가?
• RQ2 베이지안 U-Net이 생성한 불확실성 맵이 분할 실패가 발생할 가능성이 높은 영역을 효과적으로 식별할 수 있는가?
• RQ3 불확실성 기반 능동 학습이 학습을 위한 수동 애너테이션 수요를 어느 정도 감소시킬 수 있는가?
• RQ4 계층적 다중 애너테이션 기반 분할 방법과 비교할 때, 제안된 방법은 딱도 계수와 표면 거리 지표 측면에서 어떻게 성능을 내는가?
• RQ5 불확실성 지표가 임상 CT 분할을 위한 능동 학습에서 효과적인 데이터 선택을 이끌 수 있는가?

주요 결과

• 제안된 방법은 20개의 완전히 애너테이션 처리된 CT 스캔에서 19개의 근육에 대해 딱도 계수 0.891 ± 0.016과 평균 대칭 표면 거리 0.994 ± 0.230 mm를 달성했다.
• 이 방법은 계층적 다중 애너테이션 방법보다 유의미하게 뛰어나며, 이는 딱도 계수 0.845 ± 0.031과 표면 거리 1.556 ± 0.444 mm를 기록했다.
• 높은 불확실성 픽셀과 실제 분할 오류 사이에 강한 상관관계가 관찰되어 불확실성 맵이 신뢰할 수 있는 실패 지표로 유효함을 입증했다.
• 불확실성 기반 능동 학습 전략은 가장 정보가 많은 슬라이스를 우선순위로 삼아 수동 애너테이션 비용을 감소시켰으며, 시뮬레이션을 통해 이를 입증했다.
• 이 방법은 낮은 계산 오버헤드로 높은 정확도를 달성하여 계산 비용이 큰 다중 애너테이션 방법에 비해 임상 적용에 적합하다.
• 불확실성 지표는 효과적인 데이터 선택을 가능하게 하였으며, 학습 곡선은 초기에 급격한 향상을 보이며 높은 데이터 효율성을 시사했다.