[논문 리뷰] Automatic Three-Dimensional Cephalometric Annotation System Using Three-Dimensional Convolutional Neural Networks

Sung Ho Kang, Kiwan Jeon외 3명|arXiv (Cornell University)|2018. 11. 19.

Dental Radiography and Imaging참고 문헌 27인용 수 6

한 줄 요약

이 논문은 CT 영상에서 자동 3차원 천골학적 지점 표기용 3D 컨volution 신경망(3D-CNN) 시스템을 제시한다. 이미지 리샘플링을 통해 공간 정확도를 향상시켰으며, x, y, z 축 방향으로 평균 예측 오차가 각각 3.26 mm, 3.18 mm, 4.81 mm이며, 3D 거리 오차는 7.61 mm로 나타나 해부학적 영역 전반에 걸쳐 높은 일관성을 보였다.

ABSTRACT

Background: Three-dimensional (3D) cephalometric analysis using computerized tomography data has been rapidly adopted for dysmorphosis and anthropometry. Several different approaches to automatic 3D annotation have been proposed to overcome the limitations of traditional cephalometry. The purpose of this study was to evaluate the accuracy of our newly-developed system using a deep learning algorithm for automatic 3D cephalometric annotation. Methods: To overcome current technical limitations, some measures were developed to directly annotate 3D human skull data. Our deep learning-based model system mainly consisted of a 3D convolutional neural network and image data resampling. Results: The discrepancies between the referenced and predicted coordinate values in three axes and in 3D distance were calculated to evaluate system accuracy. Our new model system yielded prediction errors of 3.26, 3.18, and 4.81 mm (for three axes) and 7.61 mm (for 3D). Moreover, there was no difference among the landmarks of the three groups, including the midsagittal plane, horizontal plane, and mandible (p>0.05). Conclusion: A new 3D convolutional neural network-based automatic annotation system for 3D cephalometry was developed. The strategies used to implement the system were detailed and measurement results were evaluated for accuracy. Further development of this system is planned for full clinical application of automatic 3D cephalometric annotation.

연구 동기 및 목표

• 3차원 두부면역 평가에서 수동 및 전통적인 2차원 천골학적 분석의 한계를 극복하기 위해.
• 고정확도로 CT 자료에서 3차원 두개골 지점을 자동으로 표기할 수 있는 딥러닝 기반 시스템을 개발하기 위해.
• 중격선 평면, 수평 평면, 턱 등 다양한 해부학적 영역에서 시스템의 성능을 평가하기 위해.
• 임상 통합에 적합한 강력하고 자동화된 3차원 천골학적 지점 표기 파이프라인을 구축하기 위해.

제안 방법

• 3D 컨volution 신경망(3D-CNN)을 사용하여 두개골 CT 볼륨 상의 해부학적 지점의 3차원 좌표를 직접 예측하도록 훈련시켰다.
• 3D 특징 공간 내 국소화 정밀도를 향상시키기 위해 이미지 데이터 리샘플링을 적용하였다.
• 예측된 좌표와 참값 간의 차이를 최소화하기 위해 회귀 손실 함수를 사용하여 네트워크를 최적화하였다.
• 시스템은 전체 두개부 CT 스캔을 처리하고 각 목표 지점에 대한 3차원 좌표를 출력한다.
• 평균 절대 오차(MAE)를 사용하여 세 축 및 3D 유클리드 거리 기반으로 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 3D-CNN 모델은 CT 영상에서 3차원 천골학적 지점의 정확하고 일관된 자동 표기 기능을 달성할 수 있는가?
• RQ2 중격선 평면, 수평 평면, 턱 등 다양한 해부학적 영역에서 시스템의 성능은 어떠한가?
• RQ3 이미지 리샘플링은 3D 딥러닝 모델에서 지점 국소화 정확도를 얼마나 향상시키는가?
• RQ4 예측 오차 분포는 모든 지점 그룹 간에 균일한가?

주요 결과

• x축 방향으로 평균 예측 오차는 3.26 mm, y축은 3.18 mm, z축은 4.81 mm로 나타났다.
• 예측된 지점과 기준 지점 간 평균 3D 유클리드 거리 오차는 7.61 mm였다.
• 세 해부학적 그룹 간 오차에 통계적으로 유의미한 차이가 없었으며(p > 0.05), 이는 일관된 성능을 의미한다.
• 제안된 방법은 딥러닝을 활용한 자동 3차원 천골학적 지점 표기의 실현 가능성을 입증한다.