[논문 리뷰] Spontaneous preterm birth prediction using convolutional neural networks

Tomasz Włodarczyk, Szymon Płotka외 5명|arXiv (Cornell University)|2020. 08. 16.

Preterm Birth and ChorioamnionitisMedicine인용 수 1

한 줄 요약

이 연구는 2차원 경직장 초음파 영상에서 자궁경부를 동시에 분할하고 자발적 조산(preterm birth, sPTB)을 예측하는 단일 단계형 합성곱 신경망(CNN)을 제안한다. 병렬 분류 브랜치를 갖춘 U-Net을 확장함으로써, 분할 작업에 대해 평균 Jaccard 지수 0.923 ± 0.081, 감도 0.677 ± 0.042, 3.49%의 위양성률을 기록하여 기존 최고 수준의 방법들을 능가한다.

ABSTRACT

An estimated 15 million babies are born too early every year. Approximately 1 million children die each year due to complications of preterm birth (PTB). Many survivors face a lifetime of disability, including learning disabilities and visual and hearing problems. Although manual analysis of ultrasound images (US) is still prevalent, it is prone to errors due to its subjective component and complex variations in the shape and position of organs across patients. In this work, we introduce a conceptually simple convolutional neural network (CNN) trained for segmenting prenatal ultrasound images and classifying task for the purpose of preterm birth detection. Our method efficiently segments different types of cervixes in transvaginal ultrasound images while simultaneously predicting a preterm birth based on extracted image features without human oversight. We employed three popular network models: U-Net, Fully Convolutional Network, and Deeplabv3 for the cervix segmentation task. Based on the conducted results and model efficiency, we decided to extend U-Net by adding a parallel branch for classification task. The proposed model is trained and evaluated on a dataset consisting of 354 2D transvaginal ultrasound images and achieved a segmentation accuracy with a mean Jaccard coefficient index of 0.923 $\pm$ 0.081 and a classification sensitivity of 0.677 $\pm$ 0.042 with a 3.49\% false positive rate. Our method obtained better results in the prediction of preterm birth based on transvaginal ultrasound images compared to state-of-the-art methods.

연구 동기 및 목표

• 경직장 초음파 영상을 이용한 자발적 조산(sPTB) 예측을 위한 자동화된 딥 러닝 기반 방법 개발.
• 산부인과의사가 수행하는 수동적 초음파 분석의 주관성과 일관성 부족 문제를 해결.
• 자궁경부 분할과 sPTB 분류를 하나의 종단 간(end-to-end) 훈련 가능한 모델로 통합.
• 수작업 특징(예: 자궁경부 길이)에 의존하는 기존 방법보다 예측 정확도 향상.
• 주관적인 임상적 평가의 객관적이고 정량적인 대안 제공.

제안 방법

• 모델는 병렬 분류 브랜치를 갖춘 수정된 U-Net 아키텍처를 사용하여 분할과 분류를 동시에 수행.
• 354장의 2차원 경직장 초음파 영상(정상군 319건, 조산군 35건)을 사용해 훈련.
• 이중 과제 손실 함수를 적용하여 분할과 분류에 대해 이중적으로 최적화: 분할은 이진 교차 엔트로피, 분류는 분류 손실을 조합.
• 이미지 전처리로 수동 애너테이션(예: 노란색/초록색 십자가 등) 제거를 위해 Telea 알고리즘을 사용한 인painting 적용.
• Grad-CAM을 활용해 주의 영역을 시각화한 결과, 네트워크가 분류 과정에서 외경부 근처의 조직 이질성에 주목하고 있음을 확인.
• U-Net, FCN, Deeplabv3의 세 가지 백본 네트워크를 평가하였으며, 분할 성능가장 뛰어난 U-Net 선택.

실험 결과

연구 질문

• RQ1 단일 딥 러닝 모델이 경직장 초음파 영상에서 자궁경부 분할과 자발적 조산 분류를 효과적으로 동시에 수행할 수 있는가?
• RQ2 U-Net 인코더 경로에서 학습된 특징 표현이 sPTB 예측에 구별 가능한 정보를 포함하는가?
• RQ3 제안된 분할-분류 통합 모델은 기존 최고 수준의 방법과 비교해 분할 정확도와 sPTB 예측 감도 측면에서 어떻게 성능을 내는가?
• RQ4 sPTB 분류 과정에서 모델이 초음파 영상의 어느 부분에 주목하고 있는가? 이는 임상 지식과 일치하는가?
• RQ5 종단 간 딥 러닝 기반 접근은 수동 또는 특징 기반 접근에 비해 위양성률을 낮추고 예측 신뢰도를 향상시킬 수 있는가?

주요 결과

• 제안된 모델은 자궁경부 분할에 대해 평균 Jaccard 지수 0.923 ± 0.081를 기록하여 높은 분할 정확도를 입증.
• 조산 분류에 대해 감도 0.677 ± 0.042, 위양성률 3.49%로 낮은 오류율 기록.
• 기존 최고 수준의 방법 [12]보다 분할(이매지 유사도(IoU): 0.923 vs. 0.91)과 분류(재현율: 0.677 vs. 0.596) 모두에서 뛰어난 성능 확보.
• Grad-CAM 시각화 결과, 네트워크가 자궁경부 하단부와 주변 조직의 이질성에 주목하고 있음을 확인하였으며, 이는 임상 관찰에서 전방 자궁경부 기질의 영향을 받는다는 것과 일치.
• 특이도 0.951을 기록하여 정상 케이스를 정확히 식별하는 데 강력한 성능을 보임.
• 결과적으로 U-Net 인코더 경로에서 학습된 딥 러닝 특징은 sPTB 예측에 매우 유용하며, 종단 간 학습의 실현 가능성을 뒷받침함.