[논문 리뷰] Iterative fully convolutional neural networks for automatic vertebra segmentation.

Nikolas Leßmann, Bram van Ginneken외 2명|arXiv (Cornell University)|2018. 04. 11.

Medical Imaging and Analysis참고 문헌 49인용 수 11

한 줄 요약

이 논문은 부분적으로만 노출된 척추 CT 영상에서 자동으로 척추를 분할하기 위해 반복적이고 완전 컨volution 신경망(FCN)에 인스턴스 메모리를 통합한 방법을 제안한다. 반복적으로 각 척추가 완전한지 또는 부분적인지 검출하고 분류함으로써, 척추 분할 경연대회에서 평균 DICE 스코어 95.8%를 달성하였고, 저선량 흉부 CT 영상에서는 92.1%를 기록하였다.

ABSTRACT

Precise segmentation of the vertebrae is often required for automatic detection of vertebral abnormalities. This especially enables incidental detection of abnormalities such as compression fractures in images that were acquired for other diagnostic purposes. While many CT and MR scans of the chest and abdomen cover a section of the spine, they often do not cover the entire spine. Additionally, the first and last visible vertebrae are likely only partially included in such scans. In this paper, we therefore approach vertebra segmentation as an instance segmentation problem. A fully convolutional neural network is combined with an instance memory that retains information about already segmented vertebrae. This network iteratively analyzes image patches, using the instance memory to search for and segment the first not yet segmented vertebra. At the same time, each vertebra is classified as completely or partially visible, so that partially visible vertebrae can be excluded from further analyses. We evaluated this method on spine CT scans from a vertebra segmentation challenge and on low-dose chest CT scans. The method achieved an average Dice score of 95.8% and 92.1%, respectively, and a mean absolute surface distance of 0.194 mm and 0.344 mm.

연구 동기 및 목표

• 전체 척추를 포함하지 않는 CT 영상에서 척추 분할 문제를 해결하기 위해.
• 압박 골절과 같은 부수적 발견을 포함한 척추 이상 소견을 자동으로 탐지하기 위해.
• 영상에서 부분적으로만 노출된 척추(부분 척추)를 식별하고 분류함으로써 향후 처리에서 제외함으로써 정확도를 향상시키기 위해.
• 메모리 증강 완전 컨볼루션 신경망을 사용하여 반복적으로 척추를 분할하는 방법을 개발하기 위해.

제안 방법

• 이 방법은 완전 컨볼루션 신경망(FCN)을 사용하여 척추 분할 문제를 인스턴스 분할 문제로 재정의한다.
• 이전에 분할된 척추의 특징를 저장하기 위해 인스턴스 메모리가 도입된다.
• 네트워크는 반복적으로 영상 패치를 처리하며, 인스턴스 메모리를 활용해 아직 분할되지 않은 첫 번째 척추를 식별하고 분할한다.
• 각 분할된 척추는 영상 내 공간적 범위에 따라 완전히 보이는지 부분적으로 보이는지 분류된다.
• 부분적으로 보이는 척추는 향후 분석에서 제외되어 완전히 노출된 구조물에 대한 분할 정확도를 향상시킨다.
• 네트워크는 공개 분할 경연대회에서 확보한 척추 CT 영상과 저선량 흉부 CT 영상에서 훈련 및 평가되었다.

실험 결과

연구 질문

• RQ1 인스턴스 메모리가 통합된 반복적 FCN는 전체 척추를 포함하지 않는 CT 영상에서 척추 분할에 효과적으로 작용하는가?
• RQ2 부분적으로만 노출된 척추가 있는 영상에서 이 방법의 성능은 어떠한가?
• RQ3 완전한지 부분적인지 척추를 분류하는 것이 분할 정확도를 향상시키는가?
• RQ4 표준 선량 척추 영상에 비해 저선량 흉부 CT 영상에서 이 방법의 성능은 어떠한가?

주요 결과

• 이 방법은 척추 분할 경연대회에서 제공한 척추 CT 영상 데이터셋에서 평균 DICE 스코어 95.8%를 달성하였다.
• 저선량 흉부 CT 영상에서는 DICE 스코어 92.1%를 기록하여 임상적으로 유의미한 저선량 영상에서 뛰어난 성능을 보였다.
• 척추 CT 데이터셋에서 평균 절대 표면 거리는 0.194 mm로, 높은 기하학적 정확도를 나타내었다.
• 저선량 흉부 CT 영상에서는 평균 절대 표면 거리가 0.344 mm로, 영상 노이즈나 해상도 저하로 인해 오차가 약간 증가한 것으로 나타났다.
• 인스턴스 메모리의 통합으로 인해, 부분적인 영상에서도 척추의 안정적인 반복적 검출이 가능했다.
• 완전한지 부분적인지 척추를 분류하는 방식이 후속 분석에서 불완전한 구조물의 간섭을 효과적으로 줄였다.