[논문 리뷰] Fully Automatic Segmentation of Lumbar Vertebrae from CT Images using Cascaded 3D Fully Convolutional Networks

Rens Janssens, Guodong Zeng외 1명|arXiv (Cornell University)|2017. 12. 05.

Medical Imaging and Analysis참고 문헌 14인용 수 9

한 줄 요약

이 논문은 다양한 시야 범위(FOV)를 가진 3D CT 스캔에서 요추 체절을 완전 자동으로 분할하기 위한 계단식 3D 완전 컨volution 신경망(FCN) 프레임워크를 제안한다. 먼저 3D 회귀 FCN(LocalityNet)을 사용해 요추 영역을 국소화한 후, 픽셀 단위의 다중 클래스 분할을 수행하는 3D U-Net 유사 FCN(SegmentationNet)을 적용하여, 골절이 있는 어려운 데이터셋에서 평균 DICE 계수 95.77%와 대칭 표면 거리 0.37 mm를 달성하였다.

ABSTRACT

We present a method to address the challenging problem of segmentation of lumbar vertebrae from CT images acquired with varying fields of view. Our method is based on cascaded 3D Fully Convolutional Networks (FCNs) consisting of a localization FCN and a segmentation FCN. More specifically, in the first step we train a regression 3D FCN (we call it "LocalizationNet") to find the bounding box of the lumbar region. After that, a 3D U-net like FCN (we call it "SegmentationNet") is then developed, which after training, can perform a pixel-wise multi-class segmentation to map a cropped lumber region volumetric data to its volume-wise labels. Evaluated on publicly available datasets, our method achieved an average Dice coefficient of 95.77 $\pm$ 0.81% and an average symmetric surface distance of 0.37 $\pm$ 0.06 mm.

연구 동기 및 목표

• 3D CT 영상에서 매우 다양하게 변하는 시야 범위(FOV)를 가진 요추 체절의 완전 자동 분할 문제를 해결하기 위해.
• 수동 분할의 한계를 극복하기 위해, 시간이 오래 걸리고 독자 간 일관성이 떨어지기 때문이다.
• 정확도와 강건성을 향상시키기 위해 국소화와 분할을 별도로 처리하는 두 단계의 딥 러닝 파이프라인을 개발하기 위해.
• 골절이 있는 체절과 다양한 스캔 프로토콜을 포함한 어려운 데이터셋에서 최신 기술 수준의 성능을 달성하기 위해.

제안 방법

• 계단식 3D FCN 아키텍처를 제안하였으며, 국소화 FCN(LocalityNet)과 분할 FCN(SegmentationNet)으로 구성되어 있다.
• LocalityNet은 요추 영역를 감싸는 경계 상자(Bounding box)를 예측하여 관심 영역(ROI)을 정의하는 3D 회귀 FCN이다.
• SegmentationNet은 잘라낸 ROI 볼륨에서 훈련된 3D U-Net 유사 완전 컨볼루션 신경망으로, 개별 요추 체절의 픽셀 단위 다중 클래스 분할을 수행한다.
• 입력 크기가 임의일 경우를 대비해 크기가 160×128×96인 겹치는 추론 패치를 사용하며, 최종 예측은 겹치는 패치 출력의 평균을 취해 얻는다.
• 후처리로 고립된 작은 볼륨을 제거하고, 분할된 구조물 내부의 빈 공간을 메우기 위해 형태학적 연산을 수행한다.
• 훈련은 GPU 기반 Keras와 텐서플로우 백엔드를 사용하여 수행되었으며, 훈련 후 1개의 CT 볼륨에 대한 추론 시간은 약 79초였다.

실험 결과

연구 질문

• RQ1 계단식 3D FCN 파이프라인이 매우 다양하게 변하는 시야 범위를 가진 CT 스캔에서 요추 체절의 강건하고 정확한 분할을 달성할 수 있는가?
• RQ2 국소화와 분할을 별도의 3D FCN로 분리하는 것이 종단 간(end-to-end) 또는 2D 기반 접근 방식보다 성능을 향상시키는가?
• RQ3 골절이 있는 경우나 비표준 스캔 프로토콜이 적용된 어려운 케이스에서 이 방법의 성능은 어떠한가?
• RQ4 국소화에 3D 회귀를 사용할 경우 수작업으로 만든 특징 또는 MLP 기반의 회귀보다 정확도가 높은가?
• RQ5 제안된 3D 분할 네트워크가 부피 분할 품질 측면에서 2D U-Net 기반 분할보다 뛰어난가?

주요 결과

• 5겹 교차 검증에서 전체 요추 영역에 대해 평균 DICE 계수 95.77% ± 0.81%를 달성하였다.
• 평균 대칭 표면 거리(ASSD)는 0.37 mm ± 0.06 mm로, 표면 수준의 높은 분할 정확도를 나타낸다.
• 개별 체절(L1–L5)은 DICE 점수 범위가 95.35%에서 96.14% 사이로, 모든 수준에서 일관된 성능을 보였다.
• 이전 최신 기술 수준의 방법들보다 성능이 뛰어나, 유사한 2018년 2D U-Net과 MLP 기반 국소화를 사용한 접근에서 보고된 92.7% DICE 점수를 초월하였다.
• 추론 시간은 평균 79초/CT 볼륨으로, 임상적 통합에 실용적인 가능성을 보였다.
• 골절이 있는 스캔과 비균일한 시야 범위를 가진 스캔에서도 높은 성능을 유지하여 임상적 변동성에 대한 강건성을 확인하였다.