[논문 리뷰] Automatic detection and segmentation of lumbar vertebra from X-ray images for compression fracture evaluation

Kang Cheol Kim, Hyun Cheol Cho외 3명|arXiv (Cornell University)|2019. 04. 16.

Medical Imaging and Analysis인용 수 5

한 줄 요약

이 논문은 횡단면 X-ray 영상에서 요추 척추의 자동 검출 및 분할을 위한 계층적 딥러닝 및 레벨셋 방법을 제안한다. 이는 겹치는 해부학적 구조와 명확하지 않은 경계로 인한 과제를 다룬다. 이 방법은 자세 기반 학습을 통해 척추 국소화를 수행하고, M-net을 사용해 초기 분할을 수행하며, 레벨셋을 통해 정밀 조정을 실시한다. 임상 데이터 기반으로 평균 DICE 스코어는 91.60% ± 2.22%이며, 중심 검출 오차는 25.35 ± 10.86 픽셀을 기록하였다.

ABSTRACT

For compression fracture detection and evaluation, an automatic X-ray image segmentation technique that combines deep-learning and level-set methods is proposed. Automatic segmentation is much more difficult for X-ray images than for CT or MRI images because they contain overlapping shadows of thoracoabdominal structures including lungs, bowel gases, and other bony structures such as ribs. Additional difficulties include unclear object boundaries, the complex shape of the vertebra, inter-patient variability, and variations in image contrast. Accordingly, a structured hierarchical segmentation method is presented that combines the advantages of two deep-learning methods. Pose-driven learning is used to selectively identify the five lumbar vertebra in an accurate and robust manner. With knowledge of the vertebral positions, M-net is employed to segment the individual vertebra. Finally, fine-tuning segmentation is applied by combining the level-set method with the previously obtained segmentation results. The performance of the proposed method was validated using clinical data, resulting in center position detection error of $25.35\\pm10.86$ and a mean Dice similarity metric of $91.60\\pm2.22\\%$.

연구 동기 및 목표

• 겹치는 연조직 및 뼈 구조로 인해 발생하는 X-ray 영상에서의 자동 요추 척추 분할 과제를 해결하기 위해.
• 횡단면 X-ray 영상에서 일반적인 저대비 및 복잡한 해부학적 환경에서 분할 정확도와 강인성을 향상시키기 위해.
• 수동 분할의 부담을 줄이고, 더 빠르고 정확한 압박 골절 진단을 지원하기 위해.
• 딥러닝과 레벨셋 방법을 융합하여, 특히 전면 및 상부/하부 척추판에서의 정밀한 경계 보정을 가능하게 하기 위해.
• 압박 골절, 디스크 간격 협착, 척추전위 등의 척추 질환을 자동으로 정량적으로 평가할 수 있도록 하기 위해.

제안 방법

• 이미지 대trast를 향상시키고 특징의 가시성을 높이기 위해 적응형 히스토GRAM 균형화를 통한 사전 처리.
• 5개의 요추 척추 각각의 중심을 고정밀도로 국소화하기 위해 자세 기반 딥러닝 네트워크(Pose-net)를 사용.
• 국소화 이후 개별 척추의 인스턴스 기반 분할을 위해 다중 척도의 맥락적 특징을 활용하는 M-net 아키텍처를 적용.
• 딥러닝 출력 결과를 초기값으로 사용하여 경계 선명도를 향상시키기 위해 후처리 단계에서 레벨셋 방법을 적용.
• 계층적 파이프라인: 국소화 → 분할 → 가장자리 정밀 조정. 임상적 의사결정 과정을 모방한다.
• 딥러닝의 강인성과 레벨셋이 부드럽고 연속적인 경계를 포착할 수 있는 능력을 융합하여, 특히 전면 및 상부/하부 척추판에서의 경계 정밀도를 향상시킨다.

실험 결과

연구 질문

• RQ1 겹치는 해부학적 구조로 인해 횡단면 X-ray 영상에서 5개의 요추 척추를 정확하고 강인하게 국소화할 수 있는 자세 기반 딥러닝 접근법이 가능한가?
• RQ2 이전 척추 국소화 결과를 기반으로 M-net 분할 성능을 효과적으로 향상시킬 수 있는가?
• RQ3 딥러닝 분할과 레벨셋 정밀 조정을 융합함으로써, 전면 및 상부/하부 척추판과 같은 명확한 경계를 가진 구조에서 경계 정확도가 향상되는가?
• RQ4 기본 모델(U-net 원형 버전, M-net 등)과 비교했을 때 제안된 방법의 DICE 스코어 및 국소화 오차는 어떻게 다른가?
• RQ5 이 계층적 방법은 가짜 양성 반응 및 잘못된 국소화(예: 흉추 척추를 분할하거나 L5를 누락하는 것)를 얼마나 줄일 수 있는가?

주요 결과

• 제안된 방법은 평균 중심 위치 검출 오차가 25.35 ± 10.86 픽셀로 나타나 높은 국소화 정확도를 보였다.
• 모든 5개의 요추 척추에 대해 평균 DICE 유사도 계수는 91.60 ± 2.22%에 도달하여 강력한 분할 성능을 입증하였다.
• Pose-net + M-net + 레벨셋 파이프라인은 원형 U-net 및 M-net와 같은 기본 모델보다 DICE 스코어와 민감도 측면에서 뛰어난 성능을 보였다.
• 레벨셋 정밀 조정은 전면 및 상부/하부 척추판에서 경계 정의를 향상시켜 가짜 양성 반응을 크게 감소시켰다.
• 저대비 및 복잡한 해부학적 특성으로 인해 기존 M-net에서 자주 누락되던 L5 척추도 성공적으로 분할하였다.
• 비교 시각화 결과에서, 이 방법은 T12를 요추 척추로 잘못 분류하는 것을 방지하여 흉추 구조를 정확히 배제하는 데 성공하였다.