[논문 리뷰] Anatomy-Aware Siamese Network: Exploiting Semantic Asymmetry for Accurate Pelvic Fracture Detection in X-ray Images

Haomin Chen, Yirui Wang외 9명|arXiv (Cornell University)|2020. 07. 03.

Medical Imaging and Analysis참고 문헌 34인용 수 6

한 줄 요약

이 논문은 X-ray 영상에서 전방 골반 골절을 보다 잘 탐지하기 위해 의미론적 해부학적 대칭성을 활용하는 해부학적 인식 시アン식 네트워크(AASN)를 제안한다. 특징 수준의 공간 변환과 대비 학습을 통해 골절 관련 비대칭성을 강조하고 비병리적 비대칭성을 억제함으로써 AASN은 2,359개의 고유한 골반 X-ray에서 AUC 0.9771을 달성하였으며, 이는 최신 기법들 중에서 가장 높은 성능이다.

ABSTRACT

Visual cues of enforcing bilaterally symmetric anatomies as normal findings are widely used in clinical practice to disambiguate subtle abnormalities from medical images. So far, inadequate research attention has been received on effectively emulating this practice in CAD methods. In this work, we exploit semantic anatomical symmetry or asymmetry analysis in a complex CAD scenario, i.e., anterior pelvic fracture detection in trauma PXRs, where semantically pathological (refer to as fracture) and non-pathological (e.g., pose) asymmetries both occur. Visually subtle yet pathologically critical fracture sites can be missed even by experienced clinicians, when limited diagnosis time is permitted in emergency care. We propose a novel fracture detection framework that builds upon a Siamese network enhanced with a spatial transformer layer to holistically analyze symmetric image features. Image features are spatially formatted to encode bilaterally symmetric anatomies. A new contrastive feature learning component in our Siamese network is designed to optimize the deep image features being more salient corresponding to the underlying semantic asymmetries (caused by pelvic fracture occurrences). Our proposed method have been extensively evaluated on 2,359 PXRs from unique patients (the largest study to-date), and report an area under ROC curve score of 0.9771. This is the highest among state-of-the-art fracture detection methods, with improved clinical indications.

연구 동기 및 목표

• 경험이 많은 임상의조차도 어려운, 외상성 골반 X-ray에서 미세하고 이완된 전방 골반 골절을 탐지하는 데 도전하는 것.
• 의료 보조 진단(CAD)에서 양측 해부학적 대칭성을 진단적 단서로 사용하는 임상 실무를 모방하는 것.
• 투영 레이저 영상에서 병리적 비대칭성(예: 골절)과 비병리적 비대칭성(예: 자세, 영상 각도)을 구분하는 것.
• 더 나은 골절 탐지 성능을 위해 의미론적 해부학적 대칭성을 명시적으로 모델링하는 딥 러닝 프레임워크를 개발하는 것.

제안 방법

• 왼쪽과 오른쪽 골반 영역를 쌍으로 처리하기 위해 딥넷-121 백본을 사용하는 시앙식 네트워크를 사용한다.
• 해부학적으로 기반을 둔 공간 왜곡을 생성하기 위해 그래프 기반의 지표점 검출 방법을 활용한다.
• 이미지 왜곡 잡음을 피하기 위해 특징 인코딩 이후 특징 수준에서 공간 변환층을 적용한다.
• 병리적 비대칭성(골절)에 더 민감하고 비병리적 비대칭성에 덜 민감하도록 깊은 특징을 최적화하는 대비 학습 구성 요소를 도입한다.
• 특징 분류 성능을 향상시키기 위해 대비 학습 손실에 비선형 투영 헤드를 사용한다.
• 대칭적 특징 융합과 공동 학습을 적용하여 양측 골반을 활용한 표현 학습을 향상시킨다.

실험 결과

연구 질문

• RQ1 의미론적 해부학적 대칭성이 X-ray 영상에서 미세한 골반 골절 탐지에 효과적으로 활용될 수 있는가?
• RQ2 딥 러닝 모델이 골반 X-ray에서 병리적 비대칭성(골절)과 비병리적 비대칭성(예: 환자 자세)을 어떻게 구분할 수 있는가?
• RQ3 대칭 기반 골절 탐지에서 특징 수준의 공간 정렬이 이미지 수준의 정렬보다 우수한가?
• RQ4 대비 학습이 골절 관련 비대칭성에 대한 깊은 특징의 민감도를 얼마나 향상시키는가?
• RQ5 대칭적 특징 융합과 대비 학습을 갖춘 시앙식 네트워크가 기존 최신 기법들보다 골반 골절 탐지에서 뛰어난 성능을 내는가?

주요 결과

• 제안된 AASN은 2,359개의 고유한 골반 X-ray에서 receiver operating characteristic 곡선 아래 면적(AUC)이 0.9771로, 지금까지 보고된 바 중 최고 수준이다.
• 제거 실험 결과, 대칭적 특징 융합은 기준 모델 대비 AUC를 0.41% 향상시키고, 1% 가짜 양성 비율에서 재현율을 2.43% 향상시켰다.
• 특징 수준의 공간 정렬(FA)은 이미지 수준의 정렬 대비 1% 가짜 양성 비율에서 재현율을 3.46% 향상시켰다.
• 특징 융합과 정렬과 함께 대비 학습을 적용할 경우, 1% 가짜 양성 비율에서 재현율이 3.05% 향상되었다.
• 대비 학습에서 비선형 투영 헤드를 제거하면 AASN 전체 모델 대비 1% 가짜 양성 비율에서 재현율이 0.61% 감소하여, 이 헤드의 중요성을 입증하였다.
• 전체 AASN 모델은 1% 가짜 양성 비율에서 재현율 77.87%를 기록했으며, 10% 가짜 양성 비율에서는 92.71%를 기록하여 강력한 임상적 유용성을 보였다.