[논문 리뷰] Automatic Recognition of the Supraspinatus Tendinopathy from Ultrasound Images using Convolutional Neural Networks

Mostafa Jahanifar, Neda Zamani Tajeddin외 3명|arXiv (Cornell University)|2020. 11. 23.

Shoulder Injury and Treatment인용 수 5

한 줄 요약

이 논문은 초음파 영상에서 슈퍼스피노atus 힘줄염을 자동으로 진단하기 위한 딥러닝 프레임워크를 제안한다. 이는 두 단계의 접근 방식을 사용한다: 새로운 NASUNet 아키텍처를 사용한 힘줄 세그멘테이션과 위치 정보를 통합한 공간 인식형 NASNet 모델을 사용한 분류. 전이 학습과 데이터 증강을 통해 100장의 영상 데이터셋에서 91%의 정확도, 86.67%의 민감도, 92.86%의 특이도를 달성하여 최신 기술 수준의 성능을 입증한다.

ABSTRACT

Tendon injuries like tendinopathies, full and partial thickness tears are prevalent, and the supraspinatus tendon (SST) is the most vulnerable ones in the rotator cuff. Early diagnosis of SST tendinopathies is of high importance and hard to achieve using ultrasound imaging. In this paper, an automatic tendinopathy recognition framework based on convolutional neural networks has been proposed to assist the diagnosis. This framework has two essential parts of tendon segmentation and classification. Tendon segmentation is done through a novel network, NASUNet, which follows an encoder-decoder architecture paradigm and utilizes a multi-scale Enlarging cell. Moreover, a general classification pipeline has been proposed for tendinopathy recognition, which supports different base models as the feature extractor engine. Two feature maps comprising positional information of the tendon region have been introduced as the network input to make the classification network spatial-aware. To evaluate the tendinopathy recognition system, a data set consisting of 100 SST ultrasound images have been acquired, in which tendinopathy cases are double-verified by magnetic resonance imaging. In both segmentation and classification tasks, lack of training data has been compensated by incorporating knowledge transferring, transfer learning, and data augmentation techniques. In cross-validation experiments, the proposed tendinopathy recognition model achieves 91% accuracy, 86.67% sensitivity, and 92.86% specificity, showing state-of-the-art performance against other models.

연구 동기 및 목표

• 초음파 영상에서 슈퍼스피노atus 힘줄염을 조기에 정확하게 진단하는 데 도전하는 데 목적이 있다. 이는 미세한 질감 변화와 영상 노이즈로 인해 제한된다.
• 전문가 해석에 의존도를 줄이고 진단 일관성을 향상시키기 위해 자동화된 컴퓨터 지원 진단(CAD) 시스템을 개발하는 데 목적이 있다.
• 전이 학습, 데이터 증강, 지식 정렬 기법을 통해 라벨이 부여된 초음파 데이터의 부족을 극복하는 데 목적이 있다.
• 입력 특징에서 힘줄 영역의 위치 정보를 통합하여 공간적 맥락을 제공함으로써 분류 성능을 향상시키는 데 목적이 있다.
• 딥러닝을 사용하여 힘줄 세그멘테이션과 힘줄염 분류를 위한 강력하고 종단 간 전처리 파이프라인을 수립하는 데 목적이 있다.

제안 방법

• NASNet 기반 빌딩 블록(일반 셀 및 감소 셀)과 새로운 다중 스케일 확장 셀을 사용하여 특징 집합 및 경계 국소화를 향상시키는 새로운 인코더-디코더 세그멘테이션 네트워크인 NASUNet을 제안한다.
• 세그멘테이션 작업은 수정된 Dice 유사도 계수와 교차 엔트로피를 조합한 이중 구성 손실 함수를 사용하여 겹침과 픽셀 수준 정확도를 동시에 최적화한다.
• 분류 작업에서는 수정된 NASNet-A (6@4032) 모델을 특징 추출기로 사용하며, 원본 초음파 영상과 함께 힘줄 영역 위치를 나타내는 추가적인 위치 정보 지ap을 함께 입력한다.
• 세 가지 입력 시나리오를 평가한다: 원본 영상(NASNet-OI), 병변 마스크 포함(NASNet-WM), 위치 정보 포함(NASNet-PI)이며, NASNet-PI가 가장 우수한 성능를 보였다.
• 제한된 크기의 100장 영상 데이터셋을 보완하기 위해 전이 학습과 데이터 증강 기법을 적용하여 모델 일반화 능력을 향상시키고 과적합을 줄였다.
• 평가에는 교차 검증을 사용하였으며, 정확도, 민감도, 특이도, AUC와 같은 지표를 통해 모델 성능를 평가하였다.

실험 결과

연구 질문

• RQ1 낮은 영상 품질과 미세한 질감 변화에도 불구하고 딥러닝 기반 프레임워크가 초음파 영상에서 슈퍼스피노atus 힘줄염을 높은 정확도로 진단할 수 있는가?
• RQ2 입력 특징에 힘줄 영역의 위치 정보를 통합할 경우, 표준 입력 특징에 비해 분류 성능가 어떻게 향상되는가?
• RQ3 전이 학습과 데이터 증강 기법이 의료 영상 분석에서 라벨이 부족한 초음파 데이터에 얼마나 효과적으로 대처할 수 있는가?
• RQ4 제안된 NASUNet 아키텍처가 노이즈가 많은 초음파 영상에서 슈퍼스피노atus 힘줄을 정확하게 윤곽선을 그릴 수 있는가?
• RQ5 힘줄염 진단을 위한 분류 네트워크의 최적 입력 구성(예: 원본 영상, 병변 마스크, 위치 지도)은 무엇인가?

주요 결과

• 제안된 NASUNet은 힘줄 세그멘테이션에서 93.85%의 Dice 유사도 계수(DSC)와 87.32%의 재현율 유사도 지수(JSI)를 달성하여 기존 방법을 능가하였다.
• 위치 정보를 통합한 분류 모델(NASNet-PI)은 91%의 정확도, 86.67%의 민감도, 92.86%의 특이도를 기록하여 최신 기술 수준의 성능를 보였다.
• 입력에 위치 정보를 통합한 결과, 원본 영상이나 병변 마스크만 사용한 경우에 비해 분류 성능가 뚜렷이 향상되었다.
• NASNet-PI의 ROC 곡선은 AUC가 91.43%로 정상 및 힘줄염 환자 간의 강력한 분류 능력을 보였다.
• 전이 학습과 데이터 증강은 데이터 부족 문제를 효과적으로 완화하여 100장의 초음파 영상 데이터셋에서도 높은 성능를 달성할 수 있었다.
• 결과는 MRI 및 수술 검증을 통한 시스템적 리뷰에서 보고된 결과와 유사하여 임상적 관련성이 있으며 정밀의료 적용 가능성도 시사한다.