[논문 리뷰] Severity classification in cases of Collagen VI-related myopathy with Convolutional Neural Networks and handcrafted texture features

Rafael Rodrigues, Susana Quijano‐Roy외 2명|arXiv (Cornell University)|2022. 02. 28.

Muscle Physiology and Disorders참고 문헌 21인용 수 2

한 줄 요약

이 연구는 T1-중량 MRI를 사용하여 콜라겐 VI 관련 근병증의 근육 치료 정도를 분류하기 위해 하이브리드 딥 러닝 및 수작업으로 만든 텍스처 특징 기반 접근법을 제안한다. 이는 수작업으로 만든 텍스처 특징에 대해 전결합 신경망(FCN)과 컨볼루션 신경망(CNN)을 결합한 것으로, 전반적인 정확도 93.8%와 건강, 경증, 중증/중증의 경우에 각각 F-스코어 0.99, 0.82, 0.95를 달성하여 비침습적 진단과 추적 관찰의 강력한 잠재력을 보여준다.

ABSTRACT

Magnetic Resonance Imaging (MRI) is a non-invasive tool for the clinical assessment of low-prevalence neuromuscular disorders. Automated diagnosis methods might reduce the need for biopsies and provide valuable information on disease follow-up. In this paper, three methods are proposed to classify target muscles in Collagen VI-related myopathy cases, based on their degree of involvement, notably a Convolutional Neural Network, a Fully Connected Network to classify texture features, and a hybrid method combining the two feature sets. The proposed methods were evaluated on axial T1-weighted Turbo Spin-Echo MRI from 26 subjects, including Ullrich Congenital Muscular Dystrophy and Bethlem Myopathy patients at different evolution stages. The hybrid model achieved the best cross-validation results, with a global accuracy of 93.8%, and F-scores of 0.99, 0.82, and 0.95, for healthy, mild and moderate/severe cases, respectively.

연구 동기 및 목표

• T1-MRI를 이용하여 콜라겐 VI 관련 근병증의 정도 단계를 자동으로 비침습적으로 분류하는 방법을 개발하여 침습적 생검에 대한 의존도를 줄이기.
• 딥 러닝 기반 접근법, 수작업으로 만든 텍스처 특징 분류기, 그리고 이들의 하이브리드 조합이 T1-중량 MRI 스캔에서 성능을 평가하기.
• 희귀 신경근육질환에서 조기 진단과 장기적 모니터링의 가능성을 평가하기.
• 희귀 질환에서 학습 데이터가 제한된 문제를 딥 러닝과 공 ing된 특징을 결합하여 해결하기.

제안 방법

• 연구는 우르리히 선천성 근육이완증 및 베슬림 뇌병증 환자에서 다양한 단계를 포함한 26명의 축방향 T1-중량 트루 스피너 에코(TSE) MRI 스캔을 사용한다.
• 대퇴사두근에서 근육 영역의 관심 영역(ROIs)을 추출하고, 학습 및 검증을 위해 영상 패치를 잘라내었다.
• 원시 영상 패치에 대해 엔드 투 엔드로 훈련된 컨볼루션 신경망(CNN)을 사용하여 정도 수준을 분류하였다.
• 별도로, GLCM, RLM, LBP 및 웨이블릿 기반 특징을 포함한 수작업으로 만든 텍스처 특징을 추출하고, 전결합 신경망(FCN)을 사용하여 분류하였다.
• 최종 분류 이전에 CNN에서 학습된 특징과 수작업으로 만든 텍스처 특징을 연결하여 하이브리드 모델을 구축하였다.
• 작은 데이터셋에서 일반화 능력을 향상시키기 위해 무작위 수평 뒤집기, 이동, 회전 및 대trast 조정을 포함한 데이터 증강 기법을 적용하였다.

실험 결과

연구 질문

• RQ1 CNN은 T1-중량 MRI 스캔에서 콜라겐 VI 관련 근병증의 정도 수준을 효과적으로 분류할 수 있는가?
• RQ2 수작업으로 만든 텍스처 특징만으로 이 맥락에서 신뢰할 수 있는 정도 분류를 제공할 수 있는가?
• RQ3 CNN에서 학습된 특징과 공 ing된 텍스처 특징을 결합하면 분류 성능이 향상되는가?
• RQ4 모델들은 다양한 정도 수준에서 어떻게 성능을 보이며, 특히 건강한 경우와 경증의 경우를 구분하는 데에는 어떻게 성능을 보이는가?

주요 결과

• 하이브리드 모델은 93.8%의 최고 전반적 정확도를 기록하여 CNN 전용 및 텍스처 특징 전용 접근법을 모두 뛰어넘었다.
• 하이브리드 모델은 건강한 경우에 F-스코어 0.99, 경증의 경우에 0.82, 중증/중증의 경우에 0.95를 기록하여 모든 정도 수준에서 뛰어난 성능을 보였다.
• CNN 모델은 경증 및 중증/중증의 경우 분류에서 뛰어난 성능를 보였고, 수작업 텍스처 특징 분류기는 건강한 근육의 탐지에 도움을 주었다.
• 오분류의 주요 원인은 인접한 정도 수준 간(예: 건강/경증 또는 경증/중증/중증) 발생했으며, 이는 장기적 모니터링의 가능성을 시사한다.
• 모든 모델에서 가장 낮은 성능를 보인 것은 복사근 중측근으로, 하이브리드 모델에서 26건의 오분류가 발생했으며, 주로 경증 환자 샘플 수가 적어 인한 것이다.
• 이 연구는 딥 러닝과 수작업 특징을 결합함으로써 데이터가 적은 환경에서 성능 향상을 이룰 수 있음을 보여주며, 희귀 신경근육질환에서 비침습적 진단과 추적 관찰을 지원한다.