[논문 리뷰] SpineNetV2: Automated Detection, Labelling and Radiological Grading Of Clinical MR Scans

Rhydian Windsor, Amir Jamaludin외 2명|arXiv (Cornell University)|2022. 05. 03.

Medical Imaging and Analysis인용 수 7

한 줄 요약

SpineNetV2는 임상적 요추 MRI 스캔에서 척추체와 체간디스크의 자동 검출, 레이블링 및 영상의학적 등급 매기기를 위한 딥러닝 프레임워크이다. SpineNetV1에 비해 깊이 학습 기반의 벡터 필드 회귀 방법을 사용하여 다양한 시야각(요추, 경추, 전신)에서 더 빠르고 강건한 척추체 검출을 실현하였고, ResNet34 백본을 활용하여 다중 클래스 중심 경로 협착, 관절공 협착 및 디스크 돌출의 영상의학적 등급 매기기 기능을 향상시켰다. GPU에서 요추 스캔당 약 5초의 추론 속도를 달성하여 원본 버전 대비 60배 빠른 성능을 보였다.

ABSTRACT

This technical report presents SpineNetV2, an automated tool which: (i) detects and labels vertebral bodies in clinical spinal magnetic resonance (MR) scans across a range of commonly used sequences; and (ii) performs radiological grading of lumbar intervertebral discs in T2-weighted scans for a range of common degenerative changes. SpineNetV2 improves over the original SpineNet software in two ways: (1) The vertebral body detection stage is significantly faster, more accurate and works across a range of fields-of-view (as opposed to just lumbar scans). (2) Radiological grading adopts a more powerful architecture, adding several new grading schemes without loss in performance. A demo of the software is available at the project website: http://zeus.robots.ox.ac.uk/spinenet2/.

연구 동기 및 목표

• 다양한解剖학적 시야각(요추, 경추, 흉추, 전신)에서 임상적 요추 MRI 스캔에서 자동 척추체 검출 및 레이블링을 위한 더 빠르고, 더 강건하며, 일반화 능력이 뛰어난 시스템을 개발하는 것.
• 원래 SpineNetV1의 범위를 초월하여 다중 클래스 중심 경로 협착, 관절공 협착 및 디스크 돌출을 포함한 더 많은 등급 체계를 도입함으로써 T2-중량 MRI 스캔에서 체간디스크의 영상의학적 등급 매기기 성능을 향상시키는 것.
• SpineNetV1에서 사용한 계산 비용이 높은 HOG 기반 검출 파이프라인을 대체하여 추론 속도 향상과 오픈소스 프레임워크 호환성을 향상시킬 수 있는 딥러닝 기반 접근법을 도입하는 것.
• MATLAB에서 오픈소스 파이썬 라이브러리(예: PyTorch, PyDicom)로 이관하여 다양한 하드웨어 환경에서의 배포를 가능하게 하고, 접근성과 재현 가능성을 높이는 것.
• 원시 DICOM 파일에서 구조화된 출력(CSV/JSON)까지의 완전한 자동화된 엔드 투 엔드 파이프라인을 제공하여 임상 연구 및 영상의학 평가를 지원하는 것.

제안 방법

• SpineNetV1의 HOG 기반 방법을 대체하여 다양한 스캔 시야각에서 더 빠르고 정확한 검출을 가능하게 하는 딥러닝 기반의 벡터 필드 회귀(VFR) 모델을 사용하여 척추체 검출을 수행한다.
• 공간적 맥락과 강도 패턴을 기반으로 검출된 척추체에 해부학적 레이블(L1, L2 등)을 할당하는 컨볼루션 신경망(CNN)을 적용하여 척추 수준 레이블링을 수행한다.
• 연속된 레이블이 부여된 척추체 사이의 영역을 계산하여 체간디스크 부위(IVV)를 추출하고, 각 디스크의 국소적 영상의학적 등급 매기기를 가능하게 한다.
• 영상의학적 등급 매기기 헤드에서 기존 SpineNetV1에서 사용한 VGG-F 대신 더 깊은 ResNet34 백본을 사용하여 복잡한 퇄성 변화에 대한 성능과 일반화 능력을 향상시킨다.
• 다중 헤드 분류 헤드를 사용하여 동시에 여러 등급 체계를 예측한다: Pfirrmann(5-클래스), 디스크 협착(4-클래스), 끝판 손상(2-클래스), 골수 변화(2-클래스), 척추전위(2-클래스), 중심 경로 협착(4-클래스), 관절공 협착(측별 2-클래스), 디스크 돌출(2-클래스).
• 큰 스캔을 겹치는 패치로 나누어 각각을 별도로 처리한 후 병합하여 전체 커버리지의 검출 및 레이블링 결과를 재구성한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반의 척추체 검출 시스템은 전통적인 HOG 기반 방법에 비해 다양한 시야각에서 요추 MRI 스캔에서 더 높은 정확도와 빠른 속도를 달성할 수 있는가?
• RQ2 통합된 엔드 투 엔드 딥러닝 파이프라인은 경추, 요추, 전신 등 다양한 해부학적 영역의 sagittal MRI 스캔에서 지역별 맞춤 조정 없이도 척추체를 신뢰성 있게 검출하고 레이블링할 수 있는가?
• RQ3 VGG-F 백본을 더 깊은 ResNet34 아키텍처로 교체함으로써 복잡한 퇴행성 변화, 예를 들어 다중 클래스 중심 경로 협착 및 관절공 협착에 대한 영상의학적 등급 매기기 성능이 크게 향상되는가?
• RQ4 새로운 아키텍처는 SpineNetV1 대비 추론 시간을 얼마나 줄이고, 정확도는 유지하거나 향상시키는가?
• RQ5 오픈소스 소프트웨어와 일반 하드웨어(CPU 및 GPU 포함)를 사용하여 실제 임상 연구 환경에서 효율적으로 배포될 수 있는가?

주요 결과

• 요추 스캔의 추론 시간을 SpineNetV1의 약 5분에서 GPU에서 약 5초로 단축하여 처리 시간 기준 60배 빠른 성능 향상을 달성하였다.
• 새로운 VFR 기반 척추체 검출 시스템은 요추, 경추, 흉추, 전신 스캔을 포함한 모든 시야각에서 SpineNetV1의 요추 전용 집중에 비해 더 빠르고 정확하며, 더 강건한 성능을 보였다.
• Genodisc 데이터셋에서의 영상의학적 등급 매기기 성능은 유사하거나 略적으로 향상되었으며, SpineNetV2는 척추전위에 대해 95.0% 정확도, 중심 경로 협착(이진)에 대해 93.2% 정확도를 기록하여 SpineNetV1의 기존 작업 성능을 유지하거나 초월하였다.
• SpineNetV2는 SpineNetV1에서 지원되지 않았던 새로운 등급 체계를 성공적으로 도입하였다: 다중 클래스 중심 경로 협착(4-클래스, F1 64.9%), 좌/우 관절공 협착(각각 F1 84.8% 및 82.4%), 디스크 돌출(F1 80.4%).
• 요추 스캔 시 정점 GPU 메모리 사용량은 1.6GB, 전신 스캔 시 2.5GB로 나타나 임상적 배포에 적합한 효율적인 메모리 활용도를 보였다.
• CPU에서 요추 스캔 처리 시간은 25초, 전신 스캔은 120초로 나타나 GPU 가속 없이도 시스템이 여전히 사용 가능함을 보였으며, 속도는 감소하지만 기능은 유지되었다.