[논문 리뷰] Automated Rib Fracture Detection of Postmortem Computed Tomography Images Using Machine Learning Techniques

Samuel Gunz, Svenja Erne외 6명|arXiv (Cornell University)|2019. 08. 15.

Autopsy Techniques and Outcomes참고 문헌 24인용 수 4

한 줄 요약

이 연구는 2차원 뼈 펼침 영상에서 RGB 색상 매핑을 이용해 3차원 좌표 공간으로 변환하고, HOMFLY 다항식 불변량을 계산하여 골절을 분류함으로써 사체 CT 스캔에서 자동으로 갈비뼈 골절을 탐지하기 위한 새로운 기계학습 접근법을 제안한다. 이 방법은 정밀도 0.60을 달성하여 위상 일관성과 데이터셋 제한성 등의 과제가 존재하나, 실현 가능성을 보여준다.

ABSTRACT

Imaging techniques is widely used for medical diagnostics. This leads in some cases to a real bottleneck when there is a lack of medical practitioners and the images have to be manually processed. In such a situation there is a need to reduce the amount of manual work by automating part of the analysis. In this article, we investigate the potential of a machine learning algorithm for medical image processing by computing a topological invariant classifier. First, we select retrospectively from our database of postmortem computed tomography images of rib fractures. The images are prepared by applying a rib unfolding tool that flattens the rib cage to form a two-dimensional projection. We compare the results of our analysis with two independent convolutional neural network models. In the case of the neural network model, we obtain an $F_1$ Score of 0.73. To access the performance of our classifier, we compute the relative proportion of images that were not shared between the two classes. We obtain a precision of 0.60 for the images with rib fractures.

연구 동기 및 목표

• 사체 CT 스캔에서 갈비뼈 골절 탐지를 자동화하여 법의영상학의 수작업 부담을 줄이기 위해.
• 특히 HOMFLY 다항식을 포함한 형상학적 불변량의 의료 영상 분류에 응용 가능성을 탐색하기 위해.
• 이미지 컨볼루션에서 유도된 다항식 끈끈이 불변량이 갈비뼈 골절과 비골절을 구분할 수 있는지 평가하기 위해.
• 동일한 데이터셋에서 형상학적 방법의 성능을 딥러닝 모델(MobileNet 및 단순화된 CNN)과 비교하기 위해.
• 의료 영상 응용 분야에서의 이미지 전처리 및 위상 생성 과정의 현재 한계를 규명하기 위해.

제안 방법

• 사체 CT 스캔의 갈비뼈 고리에서 뼈 펼침 도구를 사용해 2차원 투영도를 생성하였다.
• 그레이스케일 CT 영상을 다중 채널 처리를 가능하게 하기 위해 nipy_spectral 컬러맵을 사용해 RGB로 변환하였다.
• 각 RGB 채널에 대해 13개의 컨볼루션 커널을 별도로 적용한 후 풀링을 통해 2×2 특징지도를 생성하였다.
• 특징지도 좌표 (xR, xG, xB)를 추출하여 RGB 색상 공간을 나타내는 3차원 유클리드 공간으로 매핑하였다.
• 각 이미지의 좌표 집합에 대해 HOMFLY 다항식을 계산하여 분류를 위한 형상학적 불변량으로 활용하였다.
• 각 클래스(골절 vs. 비골절)에 고유한 다항식을 사용하여, 한 리스트에만 독점적으로 존재하는 경우를 측정해 정밀도를 계산하였다.

실험 결과

연구 질문

• RQ1 이미지 컨볼루션에서 유도된 HOMFLY 다항식 불변량은 사체 CT 스캔에서 갈비뼈 골절을 신뢰성 있게 분류할 수 있는가?
• RQ2 이 형상학적 분류기의 성능은 MobileNet 및 단순화된 CNN과 같은 기존의 딥러닝 모델과 비교해 어떻게 되는가?
• RQ3 특히 저대비, 복잡한 해부학적 구조에서 커널 기반 컨볼루션과 형상학적 불변량을 사용한 의료 영상 분류의 한계는 무엇인가?
• RQ4 데이터셋 크기가 이 맥락에서 형상학적 특징 생성의 일관성과 정확성에 미치는 영향은 어느 정도인가?
• RQ5 한 객체에 여러 종류의 끈끈이가 존재하는 상황에서도 좌표 군집화와 다항식 불변량 기반의 형상학적 접근법이 신뢰성 있는 분류를 달성할 수 있는가?

주요 결과

• 형상학적 분류기는 유일한 다항식 존재를 근거로 갈비뼈 골절과 비골절을 구분하는 데 정밀도 0.60을 달성하였다.
• 딥러닝 모델 두 개(MobileNet 및 단순화된 CNN)의 F1 스코어는 0.73로 형상학적 방법을 능가하였다.
• 이론적으로 새로운 방법임에도 불구하고, 동일한 객체에 대해 여러 개의 서로 다른 위상이 생성되어 특징 추출의 일관성이 떨어지는 것으로 나타났다.
• 형상학적 방법은 클래스 간에 중첩된 위상으로 인해 레이블이 없는 데이터에 대한 예측 능력이 제한되었다.
• 모델 아키텍처의 차이가 성능에 크게 영향을 주지 않아, MobileNet과 단순화된 CNN 모두 유사한 성능을 보였다.
• 저자들은 뿌연 또는 명확하지 않은 윤곽선을 가진 의료 영상에서는 표준 딥러닝 커널이 잘 작동하지 않을 수 있으므로, 전용 커널 설계에 대한 향후 연구가 필요하다고 제안한다.