[논문 리뷰] Automatic Spine Segmentation using Convolutional Neural Network via Redundant Generation of Class Labels for 3D Spine Modeling

Malinda Vania, Dawit Mureja외 1명|arXiv (Cornell University)|2017. 11. 29.

Medical Imaging and Analysis참고 문헌 19인용 수 8

한 줄 요약

이 논문은 3D CT 영상에서 자동 3D 척추 분할을 위한 새로운 CNN 기반 방법을 제안한다. 이는 분할 정확도를 향상시키기 위해 중복된 클래스 레이블을 소프트 제약 조건으로 사용한다. 하이브리드 CNN-FCN 아키텍처에 클래스 중복성을 통합함으로써, 실제 환자 데이터에서 기존 모델(기본 CNN 및 U-Net)에 비해 유의미하게 뛰어난 성능을 보이며 높은 정밀도(Dice: 94%)와 낮은 오차율(MSD: 0.16 mm, GCE: 0.02)을 달성한다.

ABSTRACT

There has been a significant increase from 2010 to 2016 in the number of people suffering from spine problems. The automatic image segmentation of the spine obtained from a computed tomography (CT) image is important for diagnosing spine conditions and for performing surgery with computer-assisted surgery systems. The spine has a complex anatomy that consists of 33 vertebrae, 23 intervertebral disks, the spinal cord, and connecting ribs. As a result, the spinal surgeon is faced with the challenge of needing a robust algorithm to segment and create a model of the spine. In this study, we developed an automatic segmentation method to segment the spine, and we compared our segmentation results with reference segmentations obtained by experts. We developed a fully automatic approach for spine segmentation from CT based on a hybrid method. This method combines the convolutional neural network (CNN) and fully convolutional network (FCN), and utilizes class redundancy as a soft constraint to greatly improve the segmentation results. The proposed method was found to significantly enhance the accuracy of the segmentation results and the system processing time. Our comparison was based on 12 measurements: the Dice coefficient (94%), Jaccard index (93%), volumetric similarity (96%), sensitivity (97%), specificity (99%), precision (over segmentation; 8.3 and under segmentation 2.6), accuracy (99%), Matthews correlation coefficient (0.93), mean surface distance (0.16 mm), Hausdorff distance (7.4 mm), and global consistency error (0.02). We experimented with CT images from 32 patients, and the experimental results demonstrated the efficiency of the proposed method.

연구 동기 및 목표

• 해부학적 변동성, 노이즈, 저대trast 구조로 인해 복잡한 3D CT 영상에서 정확한 자동 척추 분할을 달성하는 데 도전한다.
• 수동 개입에 대한 의존도를 줄이고, 33개의 척추, 23개의 intervertebral disc 및 관련 조직을 분할하는 데 있어 강건성을 향상시킨다.
• 딥 러닝 프레임워크 내에서 클래스 중복성을 소프트 제약 조건으로 도입함으로써 분할 성능을 향상시킨다.
• 완전히 자동화된 엔드 투 엔드 방법을 통해 다양한 척추 구조에서 높은 정확도와 일관성을 달성한다.

제안 방법

• 3D 척추 분할을 위해 컨volutional 신경망(CNN)과 풀 컨volutional 네트워크(FCN)를 결합한 하이브리드 딥 러닝 아키텍처를 사용한다.
• 구조적 사전 지식을 인코딩하기 위해 중복된 클래스 레이블을 생성하며, 클래스 중복성을 소프트 제약 조건으로 사용하여 예측의 정규화 및 일반화 능력을 향상시킨다.
• 전문가가 애너테이션한 진짜값을 기반으로, 32명의 환자 CT 스캔에서 유도된 1.388.800개의 척추 패치를 사용해 지도 학습을 수행한다.
• 정량적 평가를 위해 평균 표면 거리(MSD), 하우스도르프 거리(HD), 전역 일致성 오차(GCE)와 같은 거리 기반 지표를 적용한다.
• 예측된 분할과 진짜값 간의 겹침 및 상관관계를 평가하기 위해 Dice 계수, 재현율 지수(Jaccard index), 매튜스 상관계수(MCC)를 사용한다.
• CPU에서 학습을 최적화(전체 데이터셋 기준 13시간)하고, CT 볼륨당 약 3분의 추론 시간을 달성한다.

실험 결과

연구 질문

• RQ1 수동 파rameter 조정이 필요 없이 중복된 클래스 레이블이 복잡한 3D 척추 구조에서 분할 정확도를 향상시킬 수 있는가?
• RQ2 제안된 CNN-FCN 하이브리드 모델이 표준 CNN, U-Net, 레벨셋 방법과 비교해 분할 지표에서 어떤 성능을 보이는가?
• RQ3 클래스 중복성의 소프트 제약 조건이 척추 CT 영상에서 과분할 및 과소분할 오차를 어느 정도 감소시키는가?
• RQ4 다양한 해부학적 변동성에 걸쳐 높은 특이도와 민감도를 유지하면서도, 낮은 표면 거리와 전역 일치 오차를 달성할 수 있는가?

주요 결과

• 제안된 방법은 94%의 Dice 계수를 달성하여 예측된 분할과 진짜값 간의 강한 겹침을 나타낸다.
• 재현율 지수(Jaccard index)는 93%에 도달하여 높은 분할 유사성과 구조적 변동성에 대한 강건성을 추가로 확인한다.
• 평균 표면 거리(MSD)는 0.16 mm였으며, 전문가 애너테이션과의 표면 정렬에서 높은 기하학적 정확도를 보여준다.
• 하우스도르프 거리는 7.4 mm였으며, 분할된 표면와 진짜값 표면 간의 최대 오차가 최소임을 나타낸다.
• 전역 일치 오차(GCE)는 0.02였으며, 평균 밴드 수준 오차가 매우 낮고 분할 신뢰성이 높음을 보여준다.
• 민감도(97%)와 특이도(99%)가 모두 높아, 가짜 음성 또는 가짜 양성의 최소화를 통해 척추 구조의 효과적인 탐지가 이루어졌음을 확인한다.