[논문 리뷰] Vertebrae Detection and Localization in CT with Two-Stage CNNs and Dense Annotations

James McCouat, Ben Glocker|arXiv (Cornell University)|2019. 10. 14.

Medical Imaging and Analysis참고 문헌 11인용 수 4

한 줄 요약

이 논문은 3D 밀도 레이블링을 사용한 초기 검출과 L1 손실을 통해 해부학적 순서를 유지하는 2D 연속 회귀를 통한 척추 검출 및 국소화를 위한 이단계 CNN 프레임워크를 제안한다. 이 방법은 병리적 척추 CT 기준에서 최신 기술(SOTA) 평균 국소화 정확도를 0.87mm 향상시킨다.

ABSTRACT

We propose a new, two-stage approach to the vertebrae centroid detection and localization problem. The first stage detects where the vertebrae appear in the scan using 3D samples, the second identifies the specific vertebrae within that region-of-interest using 2D slices. Our solution utilizes new techniques to improve the accuracy of the algorithm such as a revised approach to dense labelling from sparse centroid annotations and usage of large anisotropic kernels in the base level of a U-net architecture to maximize the receptive field. Our method improves the state-of-the-art's mean localization accuracy by 0.87mm on a publicly available spine CT benchmark.

연구 동기 및 목표

• 특히 결손되거나 비정상적인 해부학적 구조를 보이는 병리적 경우에서, 임의의 시야(Field-of-View, FoV) CT 스캔에서 정확한 척추 국소화 문제를 해결하기 위해.
• 기존의 회귀 또는 희박한 레이블링에 의존하는 방법보다 밀도 주석을 사용하여 맥락적 이해를 향상시키기 위해.
• 단기 및 장기 해부학적 맥락을 모두 포착하는 경량이며 빠른 추론 방법을 개발하기 위해.
• 이산 분류가 아닌 연속 회귀를 통해 척추의 해부학적 순서를 명시적으로 모델링하기 위해.
• 커버리지가 제한되고 잡음이 많은 임상적 상황에서 국소화 오차를 줄이기 위해.

제안 방법

• 이중단계 접근: 첫 번째로, 큰 이방향성 커널을 사용한 3D U-Net이 3D 패치(64×64×80)에서 척추체를 검출하며, 클래스 불균형 보정이 적용된 가중 카테고리컬 크로스엔트로피 손실을 사용한다.
• 두 번째로, 2D U-Net이 픽셀당 척추 번호(예: C4 = 4)를 나타내는 연속 값을 예측하며, 순서 유지와 회귀 기반 정밀 조정을 위해 L1 손실을 사용한다.
• 밀도 주석은 희박한 중심점 주석에서 재편된 방법을 통해 생성되며, 척추 전반에 걸쳐 공간 일관성과 커버리지를 보장한다.
• 최종 예측은 검출 및 식별 출력의 원소별 곱셈을 수행한 후, 피크 위치에서 중심점 집계를 통해 도출된다.
• 검출 모델은 스캔당 5개의 랜덤 3D 컷을 사용하고, 식별 모델은 장거리 맥락을 포착하기 위해 큰 2D 슬라이스를 사용한다.
• RNN 기반 SOTA와 달리 반복적 추론을 피하고, 스캔당 약 40초 내외로 빠른 추론을 달성한다.

실험 결과

연구 질문

• RQ1 밀도 주석을 사용한 이단계 CNN 프레임워크가 회귀 기반 또는 분류 기반 방법보다 국소화 정확도를 향상시킬 수 있는가?
• RQ2 L1 손실을 사용한 연속 회귀를 통한 척추 순서 모델링이 이산 분류보다 더 나은 국소화 성능을 낼 수 있는가?
• RQ3 3D U-Net에서 이방향성 커널을 통해 넓은 수신장(Receptive Field)을 확보하면 희박하거나 병리적인 척추 영역의 검출 성능이 향상되는가?
• RQ4 다른 척추 부위(ervical, thoracic, lumbar)에서 이 방법의 성능는 어떻게 달라지는가?
• RQ5 명시적인 형태 사전 없이도 커버리지가 제한되고 심한 잡음이 있는 스캔에 일반화 가능한가?

주요 결과

• Liao 등[6]의 SOTA 방법보다 평균 국소화 오차를 0.87mm 향상시켜 전체 테스트 세트에서 평균 오차 5.60mm를 달성했다.
• 진단 기준에 부합하는 예측(진짜 중심점에서 20mm 이내) 비율(Id rate)은 85.8%로 Liao 등의 88.3%보다 略로 낮아, 흉추 척추의 경우 성능 안정성에 상당한 트레이드오프가 있음을 시사한다.
• 경추 척추에서는 최고의 성능(평균 오차 3.93mm)을 기록하며, 이 분야에서 SOTA를 초월했다.
• 흉추 척추는 평균 오차가 가장 높았고(6.61mm), T6와 T7는 각각 80건과 82건으로 부족하게 표본화되어 있어 데이터 불균형 문제가 드러났다.
• 검출 학습은 11시간, 식별 학습은 7시간 소요되었으며, 추론은 스캔당 약 40초 내외로 높은 효율성을 보였다.
• 맥락 모델링 덕분에 잡음과 결손된 해부학적 구조에 대해 강건하지만, 흉추 척추만 보이고 끝점이 없는 경우 성능 저하가 발생한다.