[논문 리뷰] CNN-based Automatic Detection of Bone Conditions via Diagnostic CT Images for Osteoporosis Screening

Chao Tang, Wenkun Zhang외 7명|arXiv (Cornell University)|2019. 10. 14.

Medical Imaging and Analysis참고 문헌 35인용 수 6

한 줄 요약

이 연구는 일반 진단 CT 스캔을 사용하여 자동 골다성증 스크리닝을 위한 이단계 CNN 기반 방법을 제안한다. 먼저, MS-Net이 0.998 초과의 Dice 점수로 요추 체절을 세분화하고, 이후 BCC-Net이 정상, 저골량, 골다성증으로 나누어 뼈 상태를 76.65%의 정확도와 AUC 0.9167로 분류하여 방사선 전문의가 진료를 간소화하고 환자의 부담을 줄일 수 있도록 한다.

ABSTRACT

Purpose: The purpose is to design a novelty automatic diagnostic method for osteoporosis screening by using the potential capability of convolutional neural network (CNN) in feature representation and extraction, which can be incorporated into the procedure of routine CT diagnostic in physical examination thereby improving the osteoporosis diagnosis and reducing the patient burden. Methods: The proposed convolutional neural network-based method mainly comprises two functional modules to perform automatic detection of bone condition by analyzing the diagnostic CT image. The first functional module aims to locate and segment the ROI of diagnostic CT image, called Mark-Segmentation-Network (MS-Net). The second functional module is used to determine the category of bone condition by the features of ROI, called Bone-Conditions-Classification-Network (BCC-Net). The trained MS-Net can get the mark image of inputted original CT image, thereby obtain the segmentation image. The trained BCC-Net can obtain the probability value of normal bone mass, low bone mass, and osteoporosis by inputting the segmentation image. On the basis of network results, the radiologists can provide preliminary qualitative diagnosis results of bone condition. Results: The proposed MS-Net has an excellent segmentation precision on the shape preservation of different lumbar vertebra. The numerical indicators of segmentation results are greater than 0.998. The proposed BCC-Net was evaluated with 3,024 clinical images and achieved an accuracy of 76.65% and an area under the receiver operating characteristic curve of 0.9167. Conclusions: This study proposed a novel two-step method for automatic detection of bone conditions via diagnostic CT images and it has great potential in clinical applications for osteoporosis screening. The method can potentially reduce the manual burden to radiologists and diagnostic cost to patients.

연구 동기 및 목표

• 추가 DXA 스캔이 필요로 하는 것을 줄이기 위해 진단 CT 스캔을 활용한 자동 골다성증 스크리닝 방법을 개발하는 것.
• 정기적인 CT 독해 워크플로우에 뼈 상태 검출 기능을 통합하여 방사선 전문의의 업무 부담을 최소화하는 것.
• AI 기반 특징 추출 및 분류를 통해 진단 효율성을 향상시키고 환자의 부담을 줄이는 것.
• 딥 러닝을 활용해 CT 영상에서 요추 체절을 고정밀도로 세분화하는 것.
• 추출된 ROI 특징을 바탕으로 정상, 저골량, 골다성증으로 나누어 뼈 상태를 고정밀도로 분류하는 것.

제안 방법

• 이중 단계 딥 러닝 프레임워크를 제안: MS-Net은 ROI 국소화 및 세분화를 담당하고, BCC-Net은 뼈 상태 분류를 수행한다.
• MS-Net은 입력 CT 영상에서 요추 체절의 정밀한 세분화 마스크를 생성하기 위해 U-Net 유사 아키텍처를 사용한다.
• BCC-Net은 세분화된 ROI를 처리하여 정상, 저골량, 골다성증으로 나누어 뼈 상태 카테고리의 확률을 예측한다.
• 분류를 위한 교차 엔트로피 손실과 세분화를 위한 Dice 손실을 활용하여 성능을 최적화하는 엔드 투 엔드 학습을 수행한다.
• 모델은 3,024건의 임상 CT 영상에서 학습 및 검증되었으며, 결과는 초기 방사선 진단을 지원하는 데 사용된다.
• 세분화 결과는 Dice 유사도 계수로 평가하고, 분류 성능는 정확도와 AUC로 측정한다.

실험 결과

연구 질문

• RQ1 일반적인 진단 CT 스캔에서 높은 형태 유지 능력을 갖춘 고정밀도로 요추 체절을 CNN 기반 방법으로 정확하게 세분화할 수 있는가?
• RQ2 CT에서 유도된 ROI 특징을 바탕으로 뼈 상태(정상, 저골량, 골다성증)를 고도로 정확도를 갖춘 딥 러닝 모델로 분류할 수 있는가?
• RQ3 이러한 이단계 프레임워크는 추가적인 영상 촬영 없이 골다성증 스크리닝에서 방사선 전문의의 업무 부담을 어느 정도 줄일 수 있는가?
• RQ4 감도 및 특이도 측면에서 표준 진단 관행과 비교해 모델의 성능은 어떻게 되는가?
• RQ5 정기적인 CT 워크플로우에 자동 세분화 및 분류 기능을 통합하면 진단 효율성이 향상되고 환자 비용이 감소하는가?

주요 결과

• MS-Net은 요추 체절 세분화에서 0.998 초과의 Dice 유사도 계수를 달성하여 뛰어난 형태 유지 능력과 정밀도를 보였다.
• BCC-Net은 3,024건의 임상 CT 영상에서 76.65%의 분류 정확도를 기록하여 다중 클래스 뼈 상태 검출에 강력한 성능을 보였다.
• BCC-Net의 수신기 작동 특성 곡선 아래 면적(AUC)은 0.9167에 도달하여 뼈 상태 카테고리 간의 높은 분류 능력을 보였다.
• 제안된 방법은 추가 DXA 스캔이 필요로 하는 것을 줄이며, 정기적인 진단 CT 스캔에서 직접적으로 뼈 상태의 초기 정성적 진단을 가능하게 한다.
• 이 프레임워크는 임상 통합 잠재력을 지니며, 방사선 전문의의 업무 부담 감소와 골다성증 스크리닝의 진단 비용 절감에 기여할 수 있다.
• 모델의 높은 세분화 정확도와 강력한 분류 성능는 병원 방사선 워크플로우에의 구현 가능성을 시사한다.