[논문 리뷰] Fully-automated deep learning slice-based muscle estimation from CT images for sarcopenia assessment

Fahdi Kanavati, Shah Islam외 3명|arXiv (Cornell University)|2020. 06. 10.

Nutrition and Health in Aging참고 문헌 4인용 수 4

한 줄 요약

이 연구는 척추의 L3 체절을 검출하고 복부 CT 영상에서 근육군(등부근근, 히포아스, 복직근)을 분할하기 위해 완전히 컨volution형 신경망(FCNN)을 사용한 완전 자동화된 딥러닝 프레임워크를 제시한다. 이는 근육량 감소 평가를 위한 것이다. 이 방법은 높은 정확도를 보이며, 체절 검출 오차의 중앙값이 0.50 슬라이스이고 근육 분할의 Dice 점수는 0.94 이상을 기록하여 인간 전문가 수준의 성능을 입증한다.

ABSTRACT

Objective: To demonstrate the effectiveness of using a deep learning-based approach for a fully automated slice-based measurement of muscle mass for assessing sarcopenia on CT scans of the abdomen without any case exclusion criteria. Materials and Methods: This retrospective study was conducted using a collection of public and privately available CT images (n = 1070). The method consisted of two stages: slice detection from a CT volume and single-slice CT segmentation. Both stages used Fully Convolutional Neural Networks (FCNN) and were based on a UNet-like architecture. Input data consisted of CT volumes with a variety of fields of view. The output consisted of a segmented muscle mass on a CT slice at the level of L3 vertebra. The muscle mass is segmented into erector spinae, psoas, and rectus abdominus muscle groups. The output was tested against manual ground-truth segmentation by an expert annotator. Results: 3-fold cross validation was used to evaluate the proposed method. The slice detection cross validation error was 1.41+-5.02 (in slices). The segmentation cross validation Dice overlaps were 0.97+-0.02, 0.95+-0.04, 0.94+-0.04 for erector spinae, psoas, and rectus abdominus, respectively, and 0.96+-0.02 for the combined muscle mass. Conclusion: A deep learning approach to detect CT slices and segment muscle mass to perform slice-based analysis of sarcopenia is an effective and promising approach. The use of FCNN to accurately and efficiently detect a slice in CT volumes with a variety of fields of view, occlusions, and slice thicknesses was demonstrated.

연구 동기 및 목표

• 복부 CT 영상에서 사례 제외 없이 체절 기반 근육량 감소 평가를 위한 완전 자동화된 딥러닝 기반 방법을 개발하는 것.
• 임상 및 연구 워크플로우에서 L3 체절 식별 및 근육 분할의 시간 소모적이고 일관성 없는 수작업 과정을 극복하는 것.
• 교차검증 및 Bland-Altman 분석을 통해 전문 방사선의사의 주석과 비교하여 방법의 성능을 평가하는 것.
• 온코로지 연구 및 잠재적인 임상 스크리닝 도구를 위한 확장 가능하고 재현 가능한 근육량 감소 측정을 가능하게 하는 것.

제안 방법

• 이 방법은 U-넷 유사 아키텍처를 기반으로 한 두 개의 별도 FCNN을 사용한다: 하나는 L3 체절 검출을 위해, 다른 하나는 근육 분할을 위해.
• 입력 데이터는 3D CT 볼륨으로, 해부학적 특징을 향상시키기 위해 2D 전면 및 coronal 최대 강도 영상(MIP)으로 사전 처리된다.
• 체절 검출은 L3 체절의 국소화를 위해 신뢰도 맵을 사용하여 훈련되며, 꼬리뼈와 척추 정렬의 가시성을 향상시키기 위해 제한된 골반 MIP를 사용한다.
• 근육 분할은 검출된 L3 체절에서 수행되며, 모델은 등부근근, 히포아스, 복직근 및 통합 근육량을 구분하도록 훈련된다.
• 두 모델은 다양한 출처에서 온 1070개의 CT 볼륨으로 구성된 다변화된 데이터셋을 3중 교차검증을 통해 훈련 및 평가한다.
• 이 프레임워크는 다른 해부학적 수준으로 일반화 가능하며, 다중 슬라이스 근육량 감소 평가에 적응 가능하도록 설계되었다.

실험 결과

연구 질문

• RQ1 완전 컨volution형 신경망은 인간 방사선의사 수준의 성능으로 복부 CT 볼륨에서 L3 체절을 검출할 수 있는가?
• RQ2 딥러닝 모델은 L3 체절에서 개별 근육군(등부근근, 히포아스, 복직근)과 통합 근육량을 얼마나 정확하게 분할할 수 있는가?
• RQ3 모델에서 유도된 자동 근육량 감소 측정치는 전문 방사선의사의 수작업 주석과 통계적으로 유의미한 일치를 보이는가?
• RQ4 이 방법은 전이 체절이나 광범위한 연조직 부종이 있는 환자와 같은 도전적인 케이스에서 어떻게 성능을 보이는가?
• RQ5 이 방법은 필드 오브 视野, 슬라이스 두께, 해부학적 변형이 다양한 CT 영상에 대해 배제 기준 없이 적용 가능한가?

주요 결과

• 체절 검출 모델은 중앙값 오차가 0.50 슬라이스(3중 교차검증에서 평균 1.41±5.02)를 기록했으며, 인간 간 방사선의사 오차(중앙값 0.80)와 유사했다.
• 근육 분할은 높은 Dice 겹침 점수를 기록했다: 등부근근 0.97±0.02, 히포아스 0.95±0.04, 복직근 0.94±0.04, 통합 근육량 0.96±0.02.
• Bland-Altman 분석에서 모델의 근육 면적 측정치와 제2의 전문 방사선의사 간 유의미한 차이가 없었다(p=0.9503).
• 이 방법은 연조직 부종 및 척추 굽은 경우와 같은 도전적인 케이스에서도 강건성을 보였지만, 극단적인 경우에서 일부 분할 실패가 관찰되었다.
• 이상치 케이스의 주요 원인은 전이 체절 또는 척추 시각화 불량이었으며, 신뢰도 맵은 종종 여러 개의 잠재적 L3 후보를 나타내었다.
• 모델의 성능는 금속 식입물이 있는 영상 포함 다양한 CT 영상에서 일관되게 유지되었으며, 이 프레임워크는 다른 해부학적 수준으로 일반화 가능했다.