[논문 리뷰] Multi-Task Deep Convolutional Neural Network for the Segmentation of Type B Aortic Dissection

Jianning Li, Long Cao외 4명|arXiv (Cornell University)|2018. 06. 26.

Aortic aneurysm repair treatments인용 수 5

한 줄 요약

이 논문은 유형 B 대동맥 박리 CTA 영상에서 전체 대동맥 및 참루멘/거짓루멘을 완전 자동으로 분할하기 위한 3D 다중 작업 딥 컨volution 네트워크를 제안한다. 254건의 CTA 스캔으로 훈련된 모델은 테스트 세트 16건에서 대동맥에 대해 평균 DSC 0.910, 참루멘에 대해 0.849, 거짓루멘에 대해 0.821을 기록하여 통합된 엔드 투 엔드 프레임워크에서 높은 정확도와 강건성을 입증하였다.

ABSTRACT

Segmentation of the entire aorta and true-false lumen is crucial to inform plan and follow-up for endovascular repair of the rare yet life threatening type B aortic dissection. Manual segmentation by slice is time-consuming and requires expertise, while current computer-aided methods focus on the segmentation of the entire aorta, are unable to concurrently segment true-false lumen, and some require human interaction. We here report a fully automated approach based on a 3-D multi-task deep convolutional neural network that segments the entire aorta and true-false lumen from CTA images in a unified framework. For training, we built a database containing 254 CTA images (210 preoperative and 44 postoperative) obtained using various systems from 254 unique patients with type B aortic dissection. Slice-wise manual segmentation of the entire aorta and the true-false lumen for each 3-D CTA image was provided. Upon evaluation of another 16 CTA images (11 preoperative and 5 postoperative) with ground truth segmentation provided by experienced vascular surgeons, our method achieves a mean dice similarity score(DSC) of 0.910,0.849 and 0.821 for the entire aorta,true lumen and false lumen respectively.

연구 동기 및 목표

• 유형 B 대동맥 박리 CTA 영상에서 전체 대동맥 및 참루멘/거짓루멘을 완전 자동으로 엔드 투 엔드 딥 러닝 프레임워크로 분할하기 위한 프레임워크 개발.
• 기존의 보조 도구들이 참루멘/거짓루멘을 간과하거나 수동 상호작용을 요구하는 한계를 극복하기 위한 목표.
• 다양한 해부학적 구조를 동시에 고정밀도로 분할할 수 있는 통합된 딥 러닝 아키텍처 구축.
• 다양한 이미징 시스템에서 확보한 전술기 및 후술기 CTA 스캔을 포함한 다양한 데이터셋에서 방법 평가.
• 이 질환의 수술 계획 및 추적 관찰을 지원하기 위한 신뢰할 수 있고 전문가 수준의 분할 도구 제공.

제안 방법

• 단일 프로퍼스에서 전체 대동맥, 참루멘, 거짓루멘의 분할 마스크를 동시에 예측할 수 있도록 설계된 3D 다중 작업 딥 컨volution 네트워크.
• 각 분할 작업에 대해 전용 헤드를 갖춘 공유 인코더 백본을 사용.
• 다양한 스캐너에서 확보한 254건의 CTA 볼륨(전술기 210건, 후술기 44건)의 슬라이스 단위 애너테이션을 사용해 훈련.
• 각 구조에 대한 이진 교차 엔트로피 손실을 조합한 다중 작업 손실을 사용해 공동 학습 최적화.
• 다양한 이미징 프로토콜에 대한 일반화 능력을 향상시키기 위해 데이터 증강 및 정규화 기법 적용.
• 수동 개입 없이 완전 자동으로 추론 수행.

실험 결과

연구 질문

• RQ1 단일 딥 러닝 모델이 유형 B 대동맥 박리 CTA 영상에서 전체 대동맥 및 두 루멘을 정확하고 동시에 분할할 수 있는가?
• RQ2 제안된 다중 작업 네트워크의 성능이 DSC 측정치에서 단일 작업 또는 수동 분할에 비해 어떻게 비교되는가?
• RQ3 모델의 성능이 다양한 CTA 촬영 프로토콜과 후술기 영상 변화에 대해 얼마나 일반화되는가?
• RQ4 수동 상호작용이나 수동 초기화 없이도 고정밀도 분할 성능를 달성할 수 있는가?
• RQ5 다중 작업 학습이 대동맥 및 두 루멘의 분할 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 다중 작업 3D CNN은 테스트 세트 16건의 CTA 스캔에서 전체 대동맥에 대해 평균 DSC 0.910을 달성하였다.
• 참루멘에 대해 DSC 0.849를 기록하여 주로 혈류가 통과하는 채널을 높은 정확도로 구분함을 나타냈다.
• 거짓루멘에 대해 DSC 0.821을 기록하여 복잡하고 변형이 심한 형태에도 불구하고 뛰어난 성능을 보였음을 입증하였다.
• 모든 세 구조를 동시에 자동으로 분할하는 통합된 프레임워크에서 기존 방법들을 능가하는 성능을 보였다.
• 경험이 풍부한 혈관외과의사들의 검증을 통해 분할 결과의 임상적 관련성과 신뢰성 확인.
• 다양한 CTA 스캐너와 이미징 프로토콜 간에서 우수한 일반화 능력을 보였으며, 전술기 및 후술기 스캔 모두에서 일관된 성능 기록.