[논문 리뷰] Context Driven Label Fusion for segmentation of Subcutaneous and Visceral Fat in CT Volumes

Sarfaraz Hussein, Aileen Green외 4명|arXiv (Cornell University)|2015. 12. 15.

Advanced Neural Network Applications참고 문헌 4인용 수 4

한 줄 요약

이 논문은 복부 CT 영상에서 피하지방세포(SAT)와 내장지방세포(VAT)를 자동으로 분할하기 위한 완전히 비지도, 맥락 기반 레이블 융합 방법을 제안한다. 이 방법은 기울기 기반 경계 추정,MAD와 LoOS를 이용한 기하학적 및 외곽선 기반 이상치 제거, 그리고 맥락 인식 레이블 융합을 위한 조건부 무작위 필드(CRF)를 결합하여, 151개의 저해상도 CT 스캔에서 SAT의 최고 성능(DSC 94.04%)과 VAT의 최고 성능(DSC 91.57%)을 달성한다.

ABSTRACT

Quantification of adipose tissue (fat) from computed tomography (CT) scans is conducted mostly through manual or semi-automated image segmentation algorithms with limited efficacy. In this work, we propose a completely unsupervised and automatic method to identify adipose tissue, and then separate Subcutaneous Adipose Tissue (SAT) from Visceral Adipose Tissue (VAT) at the abdominal region. We offer a three-phase pipeline consisting of (1) Initial boundary estimation using gradient points, (2) boundary refinement using Geometric Median Absolute Deviation and Appearance based Local Outlier Scores (3) Context driven label fusion using Conditional Random Fields (CRF) to obtain the final boundary between SAT and VAT. We evaluate the proposed method on 151 abdominal CT scans and obtain state-of-the-art 94% and 91% dice similarity scores for SAT and VAT segmentation, as well as significant reduction in fat quantification error measure.

연구 동기 및 목표

• 수동적 개입 없이 복부 CT 영상에서 피하지방세포(SAT)와 내장지방세포(VAT)를 자동으로 분할할 수 있는 비지도 방법을 개발하는 것.
• 유사한 허운스필드 단위 강도를 가지며 해부학적으로 연결되어 있는 SAT와 VAT를 구분하는 데 어려움이 있는 문제를 기하학적 및 외관 기반 특징을 활용하여 해결하는 것.
• 특히 다양한 체질량지수(BMI) 환자 집단에서 기존 방법에 비해 분할 정확도를 향상시키고 지방 측정 오차를 줄이는 것.
• 환자별로 맞춤 조정이나 학습 데이터가 필요 없는 강건한 모델 프리 프레임워크를 구축하는 것.

제안 방법

• 피부 경계에서 복부 중심을 향한 선을 따라 희소 기울기 점을 이용해 초기 경계 추정을 수행한다.
• 거짓 긍정을 제거하기 위해 기하학적 중앙편차(MAD)와 외관 기반 국소 이상치 점수(LoOS)를 사용해 경계를 정밀화한다.
• 형상, 외관 및 기하학적 특징을 통합하기 위해 조건부 무작위 필드(CRF)를 사용하는 맥락 기반 레이블 융합 프레임워크를 구현하며, 이웃하는 볼록체 간의 쌍별 관계를 모델링한다.
• CRF의 쌍별 잠재변수는 결합된 외관 및 기하학적 특징 벡터 간의 L1 거리로 정의되며, 다른 레이블일 경우에 벌점이 적용된다.
• 최종 분할 결과는 정밀화된 내장지방 경계를 둘러싸는 볼록 Hull을 맞추어 내부를 VAT로, 외부를 SAT로 레이블링함으로써 도출된다.
• 이 방법은 완전히 비지도이며, 학습 또는 환자별로 맞춤 조정된 파rameter 설정이 필요하지 않다.

실험 결과

연구 질문

• RQ1 완전히 비지도 방법이 수동 개입 없이 복부 CT 스캔에서 SAT와 VAT의 정확하고 강건한 분할을 달성할 수 있는가?
• RQ2 다양한 BMI 환자에서 기하학적 및 외관 기반 특징을 어떻게 융합하여 SAT와 VAT 간 경계를 정밀화할 수 있는가?
• RQ3 CRF를 통한 맥락 인식 레이블 융합이 개별 단계에 비해 분할 정확도를 얼마나 향상시키는가?
• RQ4 제안된 방법이 재조정 없이도 비만 및 저체중 환자를 포함한 다양한 환자 집단에 일반화 가능한가?

주요 결과

• 제안된 방법은 피하지방세포(SAT)의 덱스 유사도 계수(DSC)가 94.04%로, 내장지방세포(VAT)의 DSC가 91.57%로, 모든 기준 방법을 초월하였다.
• SAT 및 VAT의 양적 측정에서 평균 절대 오차(MAE)는 각각 7.1258 ml 및 7.1281 ml로, 이는 다음으로 우수한 방법에 비해 36% 이상 감소한 결과였다.
• 이 방법은 체중 차이가 큰 환자에서의 상호환자 해부학적 변동성에 대해 뛰어난 강건성을 보였으며, 이전 방법이 경계 누출로 인해 실패하기 쉬운 비만 환자에서도 잘 작동하였다.
• 최적화되지 않은 MATLAB 구현은 표준 하드웨어에서 슬라이스당 약 2.59초 내외로 실행되었으며, 슬라이스 간 병렬 처리가 가능할 잠재력이 있었다.
• 이 프레임워크는 전문가 수작업 분할과 99% 이상의 일치도를 보였으며, 관측자 간 유의미한 차이가 없었다(p > 0.5).