[논문 리뷰] VinDr-RibCXR: A Benchmark Dataset for Automatic Segmentation and Labeling of Individual Ribs on Chest X-rays

Hoang Nguyen, Tung Le외 2명|arXiv (Cornell University)|2021. 07. 02.

COVID-19 diagnosis using AI인용 수 14

한 줄 요약

이 논문은 20개의 개별 갈비뼈에 대한 픽셀 수준 세그멘테이션 마스크가 포함된 245개의 정규화된 촬영 흉부 X-ray로 구성된 새로운 공개 벤치마크 데이터셋인 VinDr-RibCXR를 소개한다. 196장의 훈련 이미지에 대해 최신 딥러닝 모델—특히 EfficientNet-B0를 사용한 U-Net++—을 적용한 결과, 49장의 테스트 세트에서 Dice 점수 0.834(95% 신뢰구간: 0.810–0.853)를 기록하여 흉부 X-ray에서 갈비뼈 세그멘테이션에 대한 강력한 베이스라인을 확립하였다.

ABSTRACT

We introduce a new benchmark dataset, namely VinDr-RibCXR, for automatic segmentation and labeling of individual ribs from chest X-ray (CXR) scans. The VinDr-RibCXR contains 245 CXRs with corresponding ground truth annotations provided by human experts. A set of state-of-the-art segmentation models are trained on 196 images from the VinDr-RibCXR to segment and label 20 individual ribs. Our best performing model obtains a Dice score of 0.834 (95% CI, 0.810--0.853) on an independent test set of 49 images. Our study, therefore, serves as a proof of concept and baseline performance for future research.

연구 동기 및 목표

• 흉부 X-ray에서 개별 갈비뼈 구조에 대한 픽셀 수준의 정규화된 레이블이 포함된 공개 가능하고 고품질의 데이터셋이 부족한 문제를 해결하기 위해.
• CXR 이미지에서 20개의 개별 갈비뼈(좌우 R1/L1에서 R10/L10까지)를 자동으로 세그멘테이션하고 레이블링하기 위한 딥러닝 모델을 개발하고 평가하기 위해.
• 의료 영상 기반 자동 갈비뼈 분석 분야의未래 연구를 위한 기준 데이터셋과 성능 기준을 수립하기 위해.
• 정확한 개별 갈비뼈 세그멘테이션을 제공하여 방사선과 의사가 갈비뼈 병변을 보다 효과적으로 탐지할 수 있도록 지원하기 위해 AI 도구 개발을 지원하기 위해.

제안 방법

• 데이터셋은 VinDr-CXR 데이터셋에서 확보한 익명화된 DICOM 이미지에서 유래되었으며, 245개의 전면 및 후면 갈비뼈 구조를 포함한다.
• 전문 방사선과 의사들이 픽셀 수준에서 각 갈비뼈를 수동으로 세그멘테이션할 수 있도록 설계된 웹 기반 레이블링 툴인 VinDr Lab을 사용하였으며, 마스크는 JSON 형식으로 저장되었다.
• 모델 훈련과 평가를 지원하기 위해 데이터셋을 196장의 훈련 이미지와 49장의 검증 이미지로 분할하였다.
• 다양한 최신 세그멘테이션 모델을 훈련시켰다: U-Net, EfficientNet-B0를 사용한 U-Net, EfficientNet-B0를 사용한 FPN, EfficientNet-B0를 사용한 U-Net++.
• 모든 모델은 200 에포크 동안 입력 이미지를 512×512로 리사이징하고, 데이터 증강(뒤집기, 이동, 스케일링, 회전, 밝기/대trast 조정)을 적용한 후, Dice 손실과 Adam 옵timizer를 사용하여 훈련되었다.
• 훈련은 PyTorch(v1.7.1)를 사용하여 NVIDIA RTX 2080 Ti GPU에서 수행되었다.

실험 결과

연구 질문

• RQ1 새로운 고품질의 벤치마크 데이터셋을 기반으로 훈련된 딥러닝 모델이 흉부 X-ray에서 개별 갈비뼈를 세그멘테이션하는 데에 어떤 성능을 보일 수 있는가?
• RQ2 다양한 인코더 아키텍처(EfficientNet-B0 등)와 세그멘테이션 헤드(U-Net++, FPN 등) 간의 갈비뼈 세그멘테이션 정확도는 어떻게 비교될 수 있는가?
• RQ3 제안된 모델은 폐 병변으로 인한 갈비뼈 가림 현상이 있는 정상 및 비정상 CXR 스캔에 일반화될 수 있는가?
• RQ4 픽셀 수준의 정규화를 사용할 경우 전면 및 후면 갈비뼈에 대해 어떤 정도의 세그멘테이션 정확도를 달성할 수 있는가?
• RQ5 모델은 갈비뼈의 가시성 변화와 해부학적 변형에 대해 얼마나 강건한가?

주요 결과

• 가장 높은 성능을 보인 모델인 EfficientNet-B0 인코더를 사용한 U-Net++는 독립적인 49장의 검증 세트에서 Dice 점수 0.834(95% 신뢰구간: 0.810–0.853)를 기록하였다.
• 동일한 모델은 95% 하우스도르프 거리 15.453(95% 신뢰구간: 13.340–17.450)를 기록하여 경계 정확도가 뛰어나다는 것을 보여주었다.
• 민감도는 0.841(95% 신뢰구간: 0.812–0.858)를 기록하여 갈비뼈 구조 탐지에 대해 높은 재현율을 보였다.
• 특이도는 0.998(95% 신뢰구간: 0.997–0.998)에 도달하여 가짜 양성 예측가 매우 적다는 것을 나타냈다.
• 이 모델은 내부 및 외부 데이터셋(JSRT 및 샤먼젠)에서 온 정상 및 비정상 CXR 스캔에서 부분적으로 가려진 갈비뼈가 있는 경우에도 20개의 갈비뼈를 모두 성공적으로 세그멘테이션하였다.
• 본 연구는 개별 갈비뼈 세그멘테이션 마스크를 포함한 공개 가능한 첫 번째 기준 데이터셋을 수립하였으며, 향후 자동 갈비뼈 분석 분야의 재현 가능한 평가와 발전을 가능하게 하였다.