[논문 리뷰] Motion Artifacts Detection in Short-scan Dental CBCT Reconstructions

Abdul Salam Rasmi Asraf Ali, Andrea Fusiello외 3명|arXiv (Cornell University)|2023. 04. 20.

Medical Imaging Techniques and ApplicationsMedicine인용 수 3

한 줄 요약

이 논문은 시뮬레이션된 운동 데이터와 데이터 증강을 사용하여 단기 스캔 치과 CBCT 재구성에서 운동 아티팩트를 감지하기 위한 딥러닝 프레임워크를 제안한다. 투과 영역 하위집합을 운동 없음 또는 아티팩트 영향을 받음으로 분류함으로써, 보정 알고리즘 없이 아티팩트 없는 단기 스캔 볼륨 재구성을 가능하게 하며, 시뮬레이션된 데이터에서 높은 AUC-PR(최대 0.983)를 달성하고 실제 운동 영향을 받은 스캔에서 강력한 성능(AUC-PR = 1.000)을 보이며 임상 적용 가능성을 입증한다.

ABSTRACT

Cone Beam Computed Tomography (CBCT) is widely used in dentistry for diagnostics and treatment planning. CBCT Imaging has a long acquisition time and consequently, the patient is likely to move. This motion causes significant artifacts in the reconstructed data which may lead to misdiagnosis. Existing motion correction algorithms only address this issue partially, struggling with inconsistencies due to truncation, accuracy, and execution speed. On the other hand, a short-scan reconstruction using a subset of motion-free projections with appropriate weighting methods can have a sufficient clinical image quality for most diagnostic purposes. Therefore, a framework is used in this study to extract the motion-free part of the scanned projections with which a clean short-scan volume can be reconstructed without using correction algorithms. Motion artifacts are detected using deep learning with a slice-based prediction scheme followed by volume averaging to get the final result. A realistic motion simulation strategy and data augmentation has been implemented to address data scarcity. The framework has been validated by testing it with real motion-affected data while the model was trained only with simulated motion data. This shows the feasibility to apply the proposed framework to a broad variety of motion cases for further research.

연구 동기 및 목표

• 치과 CBCT에서 진단 정확도를 떨어뜨리고 임상에서 흔한 운동 아티팩트 문제를 해결하기 위해.
• 단기 스캔 재구성에 적합한 운동 없는 투과 영역 하위집합을 감지하는 프레임워크를 개발하여 복잡한 보정 알고리즘의 필요성을 피하기 위해.
• 운동 영향을 받은 CBCT에서의 데이터 부족 문제를 해결하기 위해 현실적인 운동 시뮬레이션과 증강 기법을 활용해 모델 훈련을 수행하기 위해.
• 훈련 데이터로 시뮬레이션된 데이터만 사용했음에도 불구하고 실제 세계의 운동 영향을 받은 스캔에서의 프레임워크의 강건성을 검증하기 위해.
• 오직 투과 영역 분류와 볼륨 평균화만을 사용하여 임상적으로 실용적인 아티팩트 없는 CBCT 재구성 가능하게 하기 위해.

제안 방법

• 선택된 투과 영역 하위집합으로 재구성된 단기 스캔 볼륨을 양성(아티팩트 영향 있음) 또는 음성(운동 없음)으로 분류하는 슬라이스 기반 딥러닝 프레임워크.
• 다양한 유형(좌하향, 기울임, 횡방향 회전, 떨림)과 강도를 가진 현실적인 운동 시뮬레이션을 통해 합성 운동 데이터 생성.
• 시뮬레이션된 운동 데이터의 다양성과 일반화 능력을 향상시키기 위해 데이터 증강 기법 적용.
• 360°를 커버하기 위해 서로 다른 투과 영역 하위집합에서 네 개의 단기 스캔 볼륨을 재구성하고, 결과를 평균화하여 최종 진단 품질의 볼륨 생성.
• 실제 운동에 대한 일반화 능력이 뛰어나 실용성 있는 성능을 보여주므로, 효율적인 성능을 보이는 EfficientNet V2를 백본 모델로 선택.
• 다중 단기 스캔 재구성의 볼륨 평균화로 잔류 아티팩트 감소 및 진단 일관성 향상.

실험 결과

연구 질문

• RQ1 오직 시뮬레이션된 운동 데이터로 훈련된 딥러닝 모델이 실제 운동 영향을 받은 치과 CBCT 스캔에서 높은 정확도로 운동 아티팩트를 감지할 수 있는가?
• RQ2 실제 운동 시뮬레이션과 데이터 증강 기법은 CBCT에서 운동 아티팩트 감지 훈련을 위한 데이터 부족 문제를 얼마나 효과적으로 완화하는가?
• RQ3 운동 없는 투과 영역 하위집합에서의 단기 스캔 재구성은 보정 알고리즘이 없이도 진단적으로 충분한 영상 품질을 제공할 수 있는가?
• RQ4 어느 딥러닝 아키텍처가 다양한 운동 유형과 실제 스캔 변형에 가장 잘 일반화되는가?
• RQ5 프레임워크는 비틀림, 광원 감쇠 등의 비운동 관련 아티팩트와 운동 아티팩트를 구분할 수 있는가?

주요 결과

• Eff율적인 성능을 보이는 EfficientNet V2를 사용하여 시뮬레이션된 운동 데이터에서 AUC-PR 0.983를 달성했으며, 다른 아키텍처보다 뛰어난 성능을 보였다.
• 실제 운동 영향을 받은 스캔에서 EfficientNet V2를 사용하여 완벽한 AUC-PR 1.000을 달성하여 실제 운동에 대한 강력한 강건성을 입증했다.
• ResNet과 DenseNet에 비해 EfficientNet V2와 EfficientNet이 실제 데이터에 대해 뛰어난 일반화 능력을 보이며, 더 나은 도메인 일반화 능력을 나타냈다.
• 프라임스 스캔에서 비운동 관련 아티팩트(예: 비틀림, 노이즈)와 운동 아티팩트를 성공적으로 구분했다.
• 다중 단기 스캔 재구성의 볼륨 평균화로 영상 일관성이 크게 향상되고 잔류 아티팩트가 감소했다.
• 훈련에 시뮬레이션된 데이터만 사용했음에도 불구하고 실제 스캔에서 운동을 감지할 수 있었던 점은 향후 연구를 위한 시뮬레이션 전략의 효과성을 입증했다.