[논문 리뷰] Machine Friendly Machine Learning: Interpretation of Computed Tomography Without Image Reconstruction

Hyunkwang Lee, Chao Huang외 4명|arXiv (Cornell University)|2018. 12. 03.

Medical Imaging Techniques and Applications참고 문헌 17인용 수 5

한 줄 요약

이 논문은 영상 재구성 과정을 생략하고 원시 복합체 단면도 데이터를 직접 분류하는 딥러닝 모델인 SinoNet을 제안한다. 이는 신체 부위 식별 및 뇌출혈 탐지에서 영상공간 네트워크보다 뛰어난 성능을 보이며, 희박하게 촬영된 프로젝션 데이터 조건에서도 유사한 성능 유지를 보인다. 이 방법은 복합체 단면도 공간 학습을 활용하여 더 빠르고 낮은 선량의 진단 스크리닝을 가능하게 하며, 원시 프로젝션 데이터가 딥러닝 작업에서 재구성된 영상보다도 우수할 수 있음을 입증한다.

ABSTRACT

Recent advancements in deep learning for automated image processing and classification have accelerated many new applications for medical image analysis. However, most deep learning applications have been developed using reconstructed, human-interpretable medical images. While image reconstruction from raw sensor data is required for the creation of medical images, the reconstruction process only uses a partial representation of all the data acquired. Here we report the development of a system to directly process raw computed tomography (CT) data in sinogram-space, bypassing the intermediary step of image reconstruction. Two classification tasks were evaluated for their feasibility for sinogram-space machine learning: body region identification and intracranial hemorrhage (ICH) detection. Our proposed SinoNet performed favorably compared to conventional reconstructed image-space-based systems for both tasks, regardless of scanning geometries in terms of projections or detectors. Further, SinoNet performed significantly better when using sparsely sampled sinograms than conventional networks operating in image-space. As a result, sinogram-space algorithms could be used in field settings for binary diagnosis testing, triage, and in clinical settings where low radiation dose is desired. These findings also demonstrate another strength of deep learning where it can analyze and interpret sinograms that are virtually impossible for human experts.

연구 동기 및 목표

• 딥러닝 모델이 영상 재구성 과정을 생략하고 원시 CT 복합체 단면도 데이터를 직접 처리함으로써 보다 뛰어난 진단 성능를 달성할 수 있는지 조사하기 위해.
• 신체 부위 식별 및 뇌출혈(ICH) 탐지와 같은 임상 과제에 대해 복합체 단면도 공간 학습의 실현 가능성을 평가하기 위해.
• 다양한 스캔 기하학적 조건과 방사선 선량 수준에서 복합체 단면도 기반 모델(SinoNet)과 기존 영상공간 모델(예: Inception-v3) 간의 성능을 비교하기 위해.
• 비상 및 현장 적용 환경에서 저선량, 빠른 진단 스크리닝을 위한 복합체 단면도 공간 딥러닝의 잠재력을 탐색하기 위해.

제안 방법

• 저자들은 2D 복합체 단면도 데이터에 최적화된 맞춤형 합성곱 신경망(CNN) 아키텍처인 SinoNet을 개발하였으며, 입력 차원은 프로젝션 기하학에 맞춰져 있다(예: 360×729, 120×240, 40×80 프로젝션 및 검출기 픽셀).
• 200건의 전체 신체 PET/CT 스캔 및 720건의 비대조 뇌 CT 스캔의 원시 CT 데이터를 사용하였으며, Hounsfield 단위에서 유도된 선형 감쇠 계수(LAC)의 2D 평행비트 라돈 변환을 통해 복합체 단면도를 생성하였다.
• 희박한 선량 또는 희박한 스캔 조건을 시뮬레이션하기 위해 복합체 단면도를 서브샘플링 하였으며(예: 120 views × 240 pixels, 40 views × 80 pixels), 모델 훈련을 위한 진단 정보를 유지하였다.
• 재구성된 영상 데이터를 비교용으로 생성하기 위해, 희박한 복합체 단면도에 대해 FBPConvNet—딥러닝 기반의 필터링 역재구성 방법—을 사용하여 영상 재구성을 수행하였다.
• 다양한 모델을 훈련시켰다: 재구성된 영상에 대해 Inception-v3를, 복합체 단면도에 대해 SinoNet을 훈련시켰으며, 성능 평가에는 테스트 정확도(신체 부위 식별)와 AUC(뇌출혈 탐지)를 사용하였다.
• 데이터는 성별 분포가 균형을 이룰 수 있도록 훈련, 검증, 테스트 세트로 분할하였으며, Adam 옵timizer를 사용하여 45 에포크 동안 훈련시켰고, 학습률 감소를 적용하였으며, 검증 손실 기반으로 최고 성능 모델을 선택하였다.

실험 결과

연구 질문

• RQ1 원시 CT 복합체 단면도 데이터를 직접 학습시킨 딥러닝 모델이 재구성된 영상에서 학습한 모델과 유사하거나 더 뛰어난 성능을 달성할 수 있는가?
• RQ2 희박한 프로젝션(저선량) 스캔 조건에서 복합체 단면도 공간 학습이 영상공간 방법에 비해 진단 성능을 유지하거나 향상시키는가?
• RQ3 복합체 단면도 데이터에서 학습된 SinoNet이 영상 기반 모델보다 뇌출혈 탐지에 더 높은 민감도와 특이도를 보일 수 있는가?
• RQ4 다양한 프로젝션 수와 검출기 픽셀 수를 포함한 다양한 스캔 기하학에서 복합체 단면도 기반 모델의 성능이 견고한가?
• RQ5 복합체 단면도 공간 딥러닝이 영상 재구성 단계를 생략함으로써 더 빠르고 낮은 선량의 진단 스크리닝을 가능하게 할 수 있는가?

주요 결과

• 모든 스캔 기하학에서 SinoNet은 재구성된 영상에서 학습한 이미지공간 Inception-v3 모델보다 신체 부위 식별 성능에서 뛰어났으며, 완전히 샘플링된 복합체 단면도(sino360x729)에서 테스트 정확도 93.3%를 기록하여, 재구성된 영상에서 학습한 Inception-v3 모델(recon360x729)의 92.7%를 초월하였다.
• 뇌출혈 탐지에서 SinoNet은 완전히 샘플링된 복합체 단면도(sino360x729)에서 AUC 0.938을 달성하여, 재구성된 영상에서 학습한 최고의 이미지 기반 모델(AUC = 0.912)을 크게 능가하였다.
• 희박하게 샘플링된 복합체 단면도(sino40x80)에서 SinoNet은 높은 성능(AUC = 0.891)을 유지하였고, 동일한 희박한 데이터에서 재구성된 영상에 대해 학습한 이미지공간 모델의 AUC는 0.813으로 크게 감소하여, 저선량 데이터에 대한 우수한 내성과 견고성을 입증하였다.
• SinoNet은 동일한 희박한 데이터에서 재구성된 영상에 대해 학습한 이미지공간 모델(AUC = 0.813)에 비해 더 높은 성능(AUC = 0.891)을 보였으며, 이는 직접 복합체 단면도 학습의 우수성을 강조한다.
• 모델의 성능는 다양한 윈도우 설정 및 다양한 스캔 기하학에서 일관되게 유지되었으며, 이는 다양한 임상 환경에서의 일반화 가능성과 견고성을 확인한다.
• 본 연구는 복합체 단면도 공간 딥러닝이 인간 전문가가 직접 분석하기 어려운 데이터를 해석할 수 있음을 입증하며, 저선량 및 현장 적용 가능한 환경에서 새로운 진단 잠재력을 열어준다.