[논문 리뷰] Detecting mechanical loosening of total hip replacement implant from plain radiograph using deep convolutional neural network

Alireza Borjali, Antonia F. Chen외 3명|arXiv (Cornell University)|2019. 12. 02.

Advanced X-ray and CT Imaging참고 문헌 17인용 수 9

한 줄 요약

이 연구는 일반 빔 영상에서 총견관절 치환술(THR) 임플란트의 기계적 이완을 자동으로 감지하기 위해 딥 컨volution 신경망(CNN)을 제안한다. 이는 감도(0.94 대 0.53)에서 자격을 갖춘 정형외과 전문의를 능가하면서도 높은 특이도(0.96)를 유지한다. 모델은 임상적으로 관련된解剖학적 특징을 강조함으로써 해석 가능성을 확보하기 위해 선명도 맵을 사용한다.

ABSTRACT

Plain radiography is widely used to detect mechanical loosening of total hip replacement (THR) implants. Currently, radiographs are assessed manually by medical professionals, which may be prone to poor inter and intra observer reliability and low accuracy. Furthermore, manual detection of mechanical loosening of THR implants requires experienced clinicians who might not always be readily available, potentially resulting in delayed diagnosis. In this study, we present a novel, fully automatic and interpretable approach to detect mechanical loosening of THR implants from plain radiographs using deep convolutional neural network (CNN). We trained a CNN on 40 patients anteroposterior hip x rays using five fold cross validation and compared its performance with a high volume board certified orthopaedic surgeon (AFC). To increase the confidence in the machine outcome, we also implemented saliency maps to visualize where the CNN looked at to make a diagnosis. CNN outperformed the orthopaedic surgeon in diagnosing mechanical loosening of THR implants achieving significantly higher sensitively (0.94) than the orthopaedic surgeon (0.53) with the same specificity (0.96). The saliency maps showed that the CNN looked at clinically relevant features to make a diagnosis. Such CNNs can be used for automatic radiologic assessment of mechanical loosening of THR implants to supplement the practitioners decision making process, increasing their diagnostic accuracy, and freeing them to engage in more patient centric care.

연구 동기 및 목표

• 일반 빔 영상에서 THR 임플란트의 기계적 이완을 자동으로 신뢰성 있게 감지하는 방법을 개발하기 위해.
• 수동 평가의 한계, 즉 관찰자 간 및 관찰자 내 변동성과 전문 방사선의사에 대한 의존도를 극복하기 위해.
• THR 임플란트 평가에서 진단 정확도를 향상시키고 진단 지연을 줄이기 위해.
• 의사결정 영역을 선명도 맵을 사용해 시각화함으로써 모델의 해석 가능성을 확보하기 위해.
• 방사선의사의 성능을 향상시키고 스케일 가능한 걸러내기 검사를 가능하게 하는 의사결정 지원 도구를 제공하기 위해.

제안 방법

• 확정된 THR 임플란트 상태를 가진 환자 40명의 전후위 대퇴골 X-레이 영상으로 훈련된 딥 컨volution 신경망(CNN)을 사용하였다.
• 모델 성능 평가 및 강건성 확보를 위해 오차 없는 다섯 배 분할 교차검증을 사용하였다.
• 진단 과정에서 CNN이 초점을 맞춘 영역를 시각화하기 위해 선명도 맵을 생성하였다.
• 표준 지표인 감도와 특이도를 사용하여 CNN 성능을 고빈도의 자격을 갖춘 정형외과 전문의와 비교하였다.
• CNN은 빔 영상에 기계적 이완이 있는지 여부를 분류하기 위해 엔드 투 엔드로 훈련되었다.
• 모델의 주의가 임상적으로 관련된 해부학적 구조와 일치함으로써 해석 가능성에 중점을 두었다.

실험 결과

연구 질문

• RQ1 딥 컨volution 신경망은 일반 빔 영상에서 THR 임플란트의 기계적 이완을 감지할 때 인간 전문의보다 더 높은 감도를 달성할 수 있는가?
• RQ2 진단 결정을 내릴 때 CNN은 임상적으로 관련된 해부학적 특징에 초점을 맞추는가?
• RQ3 선명도 맵은 임상 환경에서 모델 예측의 신뢰도와 해석 가능성을 향상시킬 수 있는가?
• RQ4 작지만 대표적인 THR 영상 데이터셋에서 CNN의 성능은 강건하고 일반화 가능한가?
• RQ5 자동화된 시스템은 THR 임플란트 평가에서 진단 지연을 줄이고 일관성을 향상시킬 수 있는가?

주요 결과

• CNN은 기계적 이완 감지에 대해 감도 0.94를 달성하여 정형외과 전문의의 감도 0.53을 뚜렷이 뛰어넘었다.
• CNN과 전문의 모두 동일한 특이도 0.96을 유지하여 높은 참음성율을 나타냈다.
• 선명도 맵은 CNN이 스템-세멘트 접합부 및 주변의 방사선 투과성 선과 같은 해부학적으로 관련된 영역에 집중하고 있음을 확인했다.
• 모델은 교차검증 폴드 전반에서 높은 신뢰성과 일관성을 보이며 강건한 성능을 나타냈다.
• 결과적으로 CNN은 방사선의사의 해석을 보완하는 신뢰할 수 있는 의사결정 지원 도구로 활용될 수 있음을 시사한다.
• 본 연구는 정형외과 영상에서 임플란트 합병증을 자동으로 감지하기 위해 해석 가능한 딥 러닝 기술의 실현 가능성을 입증한다.