[논문 리뷰] Automatic L3 slice detection in 3D CT images using fully-convolutional networks

Fahdi Kanavati, Shah Islam외 2명|arXiv (Cornell University)|2018. 11. 22.

Medical Imaging and Analysis참고 문헌 4인용 수 12

한 줄 요약

이 논문은 3D CT 스캔에서 L3 체절의 자동 검출을 위한 완전 컨volution 네트워크(FCN) 기반 방법을 제안한다. 2차원 최대 강도 투영(MIP) 이미지를 사용하여, 중앙정도 오차가 1mm로, 평가자 간 일致성과 동일하며, 정확도를 유지하면서 추론 속도를 향상시키기 위해 경량 1차원 신뢰도 맵 변형을 도입한다.

ABSTRACT

The analysis of single CT slices extracted at the third lumbar vertebra (L3) has garnered significant clinical interest in the past few years, in particular in regards to quantifying sarcopenia (muscle loss). In this paper, we propose an efficient method to automatically detect the L3 slice in 3D CT images. Our method works with images with a variety of fields of view, occlusions, and slice thicknesses. 3D CT images are first converted into 2D via Maximal Intensity Projection (MIP), reducing the dimensionality of the problem. The MIP images are then used as input to a 2D fully-convolutional network to predict the L3 slice locations in the form of 2D confidence maps. In addition we propose a variant architecture with less parameters allowing 1D confidence map prediction and slightly faster prediction time without loss of accuracy. Quantitative evaluation of our method on a dataset of 1006 3D CT images yields a median error of 1mm, similar to the inter-rater median error of 1mm obtained from two annotators, demonstrating the effectiveness of our method in efficiently and accurately detecting the L3 slice.

연구 동기 및 목표

• 3D CT 스캔에서 L3 체절의 자동 검출을 통해 임상적 근육감소증 측정을 지원한다.
• 이전 방법에서의 슬라이딩 윈도우 접근법과 단일 출력 회귀의 한계를 해결한다.
• 다양한 CT 스캔 파rameter(예: 변동하는 슬라이스 두께 및 시야 범위)에서도 효율적이고 고정밀도의 체절 검출을 가능하게 한다.
• 정확도를 유지하면서 추론 속도를 향상시키기 위해 경량 1차원 신뢰도 맵 변형을 개발한다.
• 재현 가능성을 높이고 향후 자동 L3 검출 연구를 지원하기 위해 공개된 데이터셋과 코드를 제공한다.

제안 방법

• 전신 측면 방향으로 최대 강도 값을 투영하여 3D CT 볼륨을 2D MIP 이미지로 변환함으로써 차원을 감소시키면서도 해부학적 맥락을 유지한다.
• MIP 이미지에서 2차원 신뢰도 맵를 예측하기 위해 완전 컨볼루션 네트워크(FCN)를 훈련시켜 각 슬라이스가 L3일 가능성의 정도를 나타낸다.
• UNet 아키텍처를 수정하여 단일 축을 따라 신뢰도를 예측하는 새로운 1차원 신뢰도 맵 변형을 제안함으로써 파라미터 수와 추론 시간을 감소시킨다.
• 슬라이딩 윈도우 추론을 피하기 위해 완전 컨볼루션 아키텍처를 활용하여 겹치는 계산 없이 전체 해상도, 엔드 투 엔드 예측을 가능하게 한다.
• L3 체절이 포함되지 않은 이미지 조각도 포함하여 양성 및 부정성 훈련 예제를 활용함으로써 정확도 향상과 확률적 출력 가능성을 높인다.
• 공개 자료에서 확보한 1070개의 3D CT 스캔을 포함한 대규모 레이블링된 데이터셋을 사용하여 네트워크를 미세조정하며, L3 체절 위치에 대한 진정한 레이블을 제공한다.

실험 결과

연구 질문

• RQ1 다양한 3D CT 스캔(다른 슬라이스 두께 및 시야 범위 포함)에서 완전 컨볼루션 네트워크가 최신 기술 수준의 정확도를 달성할 수 있는가?
• RQ2 2D FCN 기반 기준 대비 1D 신뢰도 맵 예측 변형이 정확도를 유지하면서도 추론 속도를 크게 향상시킬 수 있는가?
• RQ3 제안된 방법의 중앙정도 오차가 인간 평가자 간의 평가 변동성과 비교하여 어떻게 되는가?
• RQ4 전이 체절 또는 저대비 척추 구조에서 수동 검출이 어려운 경우에도 이 방법이 일반화 가능한가?
• RQ5 L3가 포함되지 않은 샘플(부정성 예제)을 훈련에 포함시키는 것이, 이러한 샘플을 배제하는 방법보다 얼마나 더 강건한 성능을 제공하는가?

주요 결과

• 제안된 방법은 중앙정도 오차가 1mm로, 두 명의 인간 평가자 간 평가자 간 일치도와 동일한 1mm를 달성한다.
• 1D 신뢰도 맵 변형(L3UNet-1D)은 스캔당 추론 시간을 0.06초로 단축하여 기준 방법 대비 50배 빠른 성능을 달성한다.
• 2D FCN 변형(L3UNet-2D)은 평균 크기의 CT 볼륨에서 스캔당 0.17초의 추론 시간을 기록한다.
• 평가된 1006개 스캔 중 50%의 예측이 진정한 값에서 1mm 이내에 있었으며, 95%는 5mm 이내에 있었음을 확인하여 높은 강건성을 입증한다.
• 저대비 또는 굽은 척추 부위와 같은 어려운 케이스에도 잘 일반화되지만, 일부 정확도는 낮지만 확신도가 높은 잘못된 예측 사례가 관찰되었다.
• 전이 체절 케이스에서도 모델은 신뢰성 있게 작동하지만, 전체 척추 시각화 없이선 L3 식별이 모호해질 수 있다.