[논문 리뷰] Deep Learning-Based Automatic Detection of Poorly Positioned Mammograms to Minimize Patient Return Visits for Repeat Imaging: A Real-World Application

Vikas Gupta, Clayton R. Taylor외 6명|arXiv (Cornell University)|2020. 09. 28.

Digital Radiography and Breast Imaging인용 수 4

한 줄 요약

이 논문은 깊이 학습 모델을 제안하여 실시간으로 잘못된 위치로 촬영된 스크리닝 유방 조영 사진을 자동으로 감지한다. 합성곱 신경망을 사용해 영상 품질을 평가하고 환자 재방문을 줄인다. 알고리즘은 각각 91.35%와 95.11%의 진성 양성률을 기록하여 중측외측 각도(MLO) 및 정측위치 각도(CC) 영상에 대해 성능을 입증했으며, 검사 중 기술자들을 안내하기 위한 자동 보고서를 제공한다.

ABSTRACT

Screening mammograms are a routine imaging exam performed to detect breast cancer in its early stages to reduce morbidity and mortality attributed to this disease. In order to maximize the efficacy of breast cancer screening programs, proper mammographic positioning is paramount. Proper positioning ensures adequate visualization of breast tissue and is necessary for effective breast cancer detection. Therefore, breast-imaging radiologists must assess each mammogram for the adequacy of positioning before providing a final interpretation of the examination; this often necessitates return patient visits for additional imaging. In this paper, we propose a deep learning-algorithm method that mimics and automates this decision-making process to identify poorly positioned mammograms. Our objective for this algorithm is to assist mammography technologists in recognizing inadequately positioned mammograms real-time, improve the quality of mammographic positioning and performance, and ultimately reducing repeat visits for patients with initially inadequate imaging. The proposed model showed a true positive rate for detecting correct positioning of 91.35% in the mediolateral oblique view and 95.11% in the craniocaudal view. In addition to these results, we also present an automatically generated report which can aid the mammography technologist in taking corrective measures during the patient visit.

연구 동기 및 목표

• 유방 조영 촬영 시 위치가 잘못되어 환자가 재촬영을 위해 다시 오는 것을 줄이기 위해.
• 기존에 방사선과 의사가 수행하던 유방 조영 촬영의 위치 품질 평가를 자동화하기 위해.
• AI 기반 피드백을 통해 환자 검사 중 기술자들을 실시간으로 지원하기 위해.
• 유방암 검진 프로그램에서 전반적인 선별 효율성과 영상 품질을 향상시키기 위해.
• 실제 임상 유방 조영 촬영 워크플로우에 통합 가능한 임상 현장 적용이 가능한 시스템을 개발하기 위해.

제안 방법

• 대규모 스크리닝 유방 조영 영상 데이터셋을 사용해 깊이 학습된 합성곱 신경망(CNN)을 훈련하여 위치 기반 영상 품질을 분류하였다.
• 특히 중측외측 각도(MLO) 및 정측위치 각도(CC) 두 가지 표준 영상 보기 방식에 대해 특별히 최적화하였다.
• 유방 조직 커버리지, 압축 균일성, 해부학적 기준점 등의 영상 특징을 분류 입력으로 사용하였다.
• 기술자들이 검사 중에 바로 수정 조치를 내릴 수 있도록 특정 위치 오류를 강조한 자동 보고서를 생성하는 시스템을 구축하였다.
• 전문가가 레이블을 부여한 실재 임상 데이터셋을 사용하여 모델의 유효성을 검증하였다.
• 실시간 사용을 위해 PACS나 RIS 시스템에 통합 가능한 실시간 처리 속도와 아키텍처 최적화를 수행하였다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 환자 촬영 중 실시간으로 잘못된 위치로 촬영된 유방 조영 영상을 정확하게 감지할 수 있는가?
• RQ2 중측외측 각도(MLO)와 정측위치 각도(CC) 영상 간에 모델의 성능은 어떻게 다를까?
• RQ3 자동 보고서 피드백은 기술자가 최적의 위치 촬영 지침을 준수하도록 유도하는 데 효과적인가?
• RQ4 이러한 시스템을 통해 위치 오류로 인한 재촬영 비율은 어느 정도 감소할 수 있는가?
• RQ5 기존 임상 유방 조영 촬영 워크플로우에 이러한 모델을 통합하는 데 실현 가능한가?

주요 결과

• 모델은 중측외측 각도(MLO) 영상에서 정상적으로 촬영된 경우 진성 양성률이 91.35%를 기록하였다.
• 모델은 정측위치 각도(CC) 영상에서 정상적으로 촬영된 경우 진성 양성률이 95.11%를 기록하였다.
• 모델은 조직 커버리지 부족이나 압축 불량과 같은 일반적인 위치 오류를 높은 민감도로 식별하였다.
• 기술자들이 실시간으로 수정 조치를 내릴 수 있도록 보고서를 성공적으로 생성하였다.
• 다양한 임상 환경과 촬영 프로토콜 간에도 모델의 일반화 능력이 뛰어났다.
• 이 모델의 임상 워크플로우 통합은 재촬영을 위해 환자가 다시 오는 비율을 크게 줄일 수 있을 잠재력을 보였다.