[논문 리뷰] Semantic Segmentation of Thigh Muscle using 2.5D Deep Learning Network Trained with Limited Datasets

Hasnine Haque, Masahiro Hashimoto외 2명|arXiv (Cornell University)|2019. 11. 21.

Nutrition and Health in Aging참고 문헌 11인용 수 5

한 줄 요약

이 논문은 제한된 훈련 데이터를 사용하여 CT 영상에서 11종류의 대퇴근육을 더 잘 분할하는 데 목적이 있는 2.5D U-Net 딥러닝 모델을 제안한다. 축방향, coronal, 그리고 sagittal 단면 영상을 각각 처리하는 3개의 2D U-Net을 훈련하고, 그 출력을 투표 기반으로 융합함으로써, 평균 DSC가 91.18%이고 ASD가 0.84±0.27 mm에 이를 수 있으며, 동일한 데이터 제약 조건 하에서 2D 및 3D U-Net 모델보다 뛰어난 성능을 보였다.

ABSTRACT

Purpose: We propose a 2.5D deep learning neural network (DLNN) to automatically classify thigh muscle into 11 classes and evaluate its classification accuracy over 2D and 3D DLNN when trained with limited datasets. Enables operator invariant quantitative assessment of the thigh muscle volume change with respect to the disease progression. Materials and methods: Retrospective datasets consist of 48 thigh volume (TV) cropped from CT DICOM images. Cropped volumes were aligned with femur axis and resample in 2 mm voxel-spacing. Proposed 2.5D DLNN consists of three 2D U-Net trained with axial, coronal and sagittal muscle slices respectively. A voting algorithm was used to combine the output of U-Nets to create final segmentation. 2.5D U-Net was trained on PC with 38 TV and the remaining 10 TV were used to evaluate segmentation accuracy of 10 classes within Thigh. The result segmentation of both left and right thigh were de-cropped to original CT volume space. Finally, segmentation accuracies were compared between proposed DLNN and 2D/3D U-Net. Results: Average segmentation DSC score accuracy of all classes with 2.5D U-Net as 91.18% and Average Surface distance (ASD) accuracy as 0.84 mm. We found, mean DSC score for 2D U-Net was 3.3% lower than the that of 2.5D U-Net and mean DSC score of 3D U-Net was 5.7% lower than that of 2.5D U-Net when trained with same datasets. Conclusion: We achieved a faster computationally efficient and automatic segmentation of thigh muscle into 11 classes with reasonable accuracy. Enables quantitative evaluation of muscle atrophy with disease progression.

연구 동기 및 목표

• 임상 CT 영상에서 11종류의 대퇴근육을 자동으로 분할하는 데 목적이 있는 딥러닝 기반 방법을 개발하기 위해.
• 제한된 레이블이 부여된 훈련 데이터 문제를 해결하기 위해 계산 효율성이 뛰어나고 정확도가 높은 분할 모델을 개발하기 위해.
• 의료진 간 차이가 없고 질병 진행과 관련된 근육 부피 변화를 정량적으로 평가할 수 있도록 하기 위해.
• 초기 U-Net 예측을 활용한 효율적인 진정 레이블링 전략을 제안함으로써 수동 분할 작업을 줄이기 위해.
• 동일한 훈련 조건 하에서 2.5D U-Net의 성능을 2D 및 3D U-Net 아키텍처와 비교하기 위해.

제안 방법

• 프레임워크는 대퇴부 CT 볼륨의 axial, coronal, 그리고 sagittal 단면 영상에 대해 각각 훈련된 3개의 별도된 2D U-Net 모델로 구성된 2.5D U-Net 아키텍처를 사용한다.
• 각 2D U-Net은 3D 볼륨의 단일 방향의 단면 영상을 처리하며, 2D 단면에서의 공간적 맥락을 학습하면서도 3D 해부학적 구조를 유지한다.
• 3개의 2D U-Net 출력을 투표 기반 융합 전략으로 조합하여 최종적인 일관된 3D 분할 결과를 생성한다.
• 자동화된 사전처리를 포함한다: AI 기반 해부학 분류기가 CT 영상 시리즈를 분류하여 대퇴부 영역을 추출하고, 자르기, 2mm 등방성 볼륨으로 재샘플링, 대퇴골 축에 맞추기 등의 단계를 거친다.
• 진정 레이블은 근육 경계에서 초기 U-Net 예측 결과를 수동으로 보정하여 생성되었으며, 이로 인해 레이블링 시간과 노력이 감소하였다.
• 분할 결과는 복원되어 원래의 CT 영상 공간으로 변환되어 정확한 평가가 가능하도록 하였다.

실험 결과

연구 질문

• RQ1 제한된 데이터셋으로 훈련되었을 때, 2.5D U-Net 아키텍처가 2D 및 3D U-Net 모델보다 더 높은 분할 정확도를 달성할 수 있는가?
• RQ2 2.5D 접근 방식은 CT 영상에서 경계가 모호하고 연조직 대비 대비가 낮은 근육의 분할 성능을 향상시키는가?
• RQ3 다양한 평면에서의 U-Net 출력을 투표 기반으로 융합함으로써 분할 일관성과 정확도가 얼마나 향상되는가?
• RQ4 제안된 방법은 고정된 분할 정확도를 유지하면서 수동 레이블링 작업을 줄일 수 있는가?
• RQ5 작은 근육 군집에서 크기와 경계의 모호성으로 인해 잘못 분류되기 쉬운 경우에 2.5D U-Net은 어떻게 성능을 보이는가?

주요 결과

• 2.5D U-Net은 동일한 제한된 데이터셋으로 훈련된 2D U-Net(3.3% 낮음) 및 3D U-Net(5.7% 낮음)보다 유의미하게 높은 평균 DSC(91.18%)를 달성하였다.
• 2.5D U-Net의 평균 표면 거리(ASD)는 0.84±0.27 mm였으며, Yokota 등이 사용한 이중 단계 계층적 방법의 1.61±0.70 mm보다 유의미하게 향상된 결과를 보였다.
• 2D U-Net보다 DSC(p < 0.05), ASD(p < 0.01)에서 통계적으로 유의미한 향상이 있었으며, 이는 더 나은 경계 정렬 및 겹침을 의미한다.
• DSC는 낮았지만, 3D U-Net는 DSC 점수의 IQR(사분위간 범위)가 좁아, 다양한 근육 군집 간에 더 안정적인 성능을 보였으며, 전체적으로는 2.5D 모델에 뒤지지 않았다.
• GPU 탑재된 워크스테이션에서 한 대퇴부 볼륨당 1.08±0.007분의 빠른 추론 시간을 기록하여 임상 적용이 가능했다.
• 초기 U-Net 예측 결과를 기반으로 보정된 레이블을 활용함으로써 수동 레이블링 작업을 줄였으며, 정확도를 유지하면서도 레이블링 효율성이 향상되었다.