[논문 리뷰] Vertebra-Focused Landmark Detection for Scoliosis Assessment

Jingru Yi, Pengxiang Wu외 3명|arXiv (Cornell University)|2020. 01. 09.

Scoliosis diagnosis and treatment참고 문헌 17인용 수 10

한 줄 요약

이 논문은 저대비 X-레이 영상에서 척추측만 평가를 위해 척추 중심을 히트맵을 통해 먼저 국소화한 후, 학습된 오프셋을 사용해 모서리 지점들을 추적하는 척추 집중형 랜드마크 검출 방법을 제안한다. 이는 회귀 기반 및 세분화 기반 기준선 대비 랜드마크 검출 정확도(50.11 오차)와 코브 각도 측정 정확도(10.81 SMAPE)에서 뛰어난 성능을 달성한다.

ABSTRACT

Adolescent idiopathic scoliosis (AIS) is a lifetime disease that arises in children. Accurate estimation of Cobb angles of the scoliosis is essential for clinicians to make diagnosis and treatment decisions. The Cobb angles are measured according to the vertebrae landmarks. Existing regression-based methods for the vertebra landmark detection typically suffer from large dense mapping parameters and inaccurate landmark localization. The segmentation-based methods tend to predict connected or corrupted vertebra masks. In this paper, we propose a novel vertebra-focused landmark detection method. Our model first localizes the vertebra centers, based on which it then traces the four corner landmarks of the vertebra through the learned corner offset. In this way, our method is able to keep the order of the landmarks. The comparison results demonstrate the merits of our method in both Cobb angle measurement and landmark detection on low-contrast and ambiguous X-ray images. Code is available at: \url{https://github.com/yijingru/Vertebra-Landmark-Detection}.

연구 동기 및 목표

• 저대비 및 모호한 척추 X-레이 영상에서 랜드마크 국소화 및 코브 각도 측정의 정확도 향상을 위해.
• 다운샘플링으로 인한 해상도 손실과 높은 파라미터 수로 인해 성능이 저하되는 회귀 기반 방법의 한계를 극복하기 위해.
• 종종 손상되거나 연결된 마스크를 생성해 랜드마크 순서를 해칠 수 있는 세분화 기반 방법의 한계를 개선하기 위해.
• 각 척추 중심을 먼저 검출한 후, 각 중심에서부터 모서리 지점을 추적함으로써 척추 간 랜드마크 순서 유지하기 위해.
• 밀도 있는 매핑 없이 고해상도 입력 처리를 가능하게 하여 복잡한 해부학적 영역에서의 정밀한 국소화 향상하기 위해.

제안 방법

• 모델은 ResNet34 기반의 인코더-디코더 네트워크를 사용하여 척추 중심 히트맵과 정밀한 중심 국소화를 위한 중심 오프셋을 예측한다.
• 각 검출된 중심에서, 학습된 모서리 오프셋을 사용해 네 개의 모서리 랜드마크를 회귀함으로써 각 척추당 랜드마크 순서를 유지한다.
• 인코더와 디코더의 특징 간 스킵 연결을 활용하여 공간 정보를 유지하고 국소화 정확도를 향상시킨다.
• 랜드마크 검출은 중심점 예측과 모서리 오프셋 회귀를 조합하여 수행되며, 밀도 있는 매핑을 피하고 파라미터 부담을 감소시킨다.
• 예측된 랜드마크 좌표와 진짜 좌표 간 L2 거리 최소화를 목표로 하는 키포인트 검출 손실을 사용해 엔드 투 엔드로 모델을 훈련시킨다.
• 입력 영상의 해상도를 높이기 위해 1024×512로 리사이징하여, 해상도가 낮은 기준선 대비 더 나은 성능을 달성한다.

실험 결과

연구 질문

• RQ1 모서리 중심을 먼저 국소화하고 그로부터 모서리 지점을 추적하는 키포인트 기반 방법이 저대비 X-레이 영상에서 회귀 기반 방법보다 랜드마크 검출 성능을 뛰어나게 할 수 있는가?
• RQ2 중심 기반 검출 방식은 세분화 기반 접근 방식과 비교해 겹치거나 모호한 척추로 인한 오류를 줄일 수 있는가?
• RQ3 이중 노이즈와 저대비 조건에서도 제안된 방법이 척추 간 랜드마크 순서를 정확히 유지할 수 있는가?
• RQ4 이중 랜드마크 검출 및 코브 각도 측정에서 제안된 척추 집중형 방법이 회귀 및 세분화 기반 기준선 대비 성능이 뛰어나게 되는가?
• RQ5 고해상도 입력 처리가 척추 X-레이 영상에서 랜드마크 국소화 정확도 향상에 얼마나 기여하는가?

주요 결과

• 제안된 방법은 진짜 좌표와의 L2 거리 기준으로 50.11 픽셀의 최저 랜드마크 검출 오차를 기록했으며, 이는 회귀 기반 방법(77.94)과 세분화 기반 방법(74.07)보다 유의미하게 뛰어난 성능이다.
• 코브 각도 측정에서 SMAPE 기준 10.81로 최고 성능을 기록했으며, 이는 회귀 기반(23.43) 및 세분화 기반(16.48) 대비 뛰어난 정확도를 보여준다.
• 저대비 영역에서도 강인함을 입증했으며, 정성적 결과에서 척추가 모호하거나 잘 정의되지 않은 경우에도 정확한 랜드마크 국소화를 수행했다.
• 세분화 기반 방법은 테스트 케이스 6개 중 5개에서 연결된 척추를 분리하지 못했으며(예: 케이스 1 및 6), 이로 인해 잘못된 랜드마크 순서와 높은 오차가 발생했다.
• 회귀 기반 방법은 다운샘플링(512×256)으로 인해 해상도 손실을 겪었으며, 이는 높은 랜드마크 순서 정확도를 유지하더라도 정밀한 랜드마크 국소화 성능 저하를 초래했다.
• 모델은 객체 인식 능력을 유지했으며, 한 척추의 검출 실패(케이스 5)가 다른 척추의 검출에 영향을 주지 않아, 강인성과 모ularity를 입증했다.