[논문 리뷰] Comp2Comp: Open-Source Body Composition Assessment on Computed Tomography

Louis Blankemeier, Arjun Desai외 12명|arXiv (Cornell University)|2023. 02. 13.

Body Composition Measurement Techniques인용 수 7

한 줄 요약

Comp2Comp는 복부 CT 영상에서 뼈, 골격근, 내장지방세포조직(VAT), 피하지방세포조직(SAT)을 빠르게 분할하는 자동화되고 정확한 체성분 분석을 위한 오픈소스 파이썬 패키지이다. 체간 수준(T12–L5) 및 사용자 정의 축단면 슬라이스 두 가지 파이프라인을 제공하며, 근육에 대해 평균 0.97, VAT에 대해 0.96, SAT에 대해 0.97의 높은 Dice 점수를 기록하고, HU 측정과 횡단면 면적 측정에서 1% 미만의 오차를 보이며 내부 및 외부 데이터셋에서 검증되었다.

ABSTRACT

Computed tomography (CT) is routinely used in clinical practice to evaluate a wide variety of medical conditions. While CT scans provide diagnoses, they also offer the ability to extract quantitative body composition metrics to analyze tissue volume and quality. Extracting quantitative body composition measures manually from CT scans is a cumbersome and time-consuming task. Proprietary software has been developed recently to automate this process, but the closed-source nature impedes widespread use. There is a growing need for fully automated body composition software that is more accessible and easier to use, especially for clinicians and researchers who are not experts in medical image processing. To this end, we have built Comp2Comp, an open-source Python package for rapid and automated body composition analysis of CT scans. This package offers models, post-processing heuristics, body composition metrics, automated batching, and polychromatic visualizations. Comp2Comp currently computes body composition measures for bone, skeletal muscle, visceral adipose tissue, and subcutaneous adipose tissue on CT scans of the abdomen. We have created two pipelines for this purpose. The first pipeline computes vertebral measures, as well as muscle and adipose tissue measures, at the T12 - L5 vertebral levels from abdominal CT scans. The second pipeline computes muscle and adipose tissue measures on user-specified 2D axial slices. In this guide, we discuss the architecture of the Comp2Comp pipelines, provide usage instructions, and report internal and external validation results to measure the quality of segmentations and body composition measures. Comp2Comp can be found at https://github.com/StanfordMIMI/Comp2Comp.

연구 동기 및 목표

• 일상적인 복부 CT 영상에서 체성분 분석을 위한 접근 가능하고 자동화된 도구의 부족을 해결하기 위해.
• 특허 소유 소프트웨어의 한계를 극복하기 위해 완전히 오픈소스이자 사용자 友好的한 솔루션을 제공하기 위해.
• 근육 질량, 지방 축적부위, 뼈 밀도와 같은 체성분 지표의 광범위한 도입을 가능하게 하여 임상 및 연구 적용에 기여하기 위해.
• CT에서 핵심 조직의 자동화되고 재현 가능한 분할을 통해 사구근증 및 골다골증의 조기 발견을 지원하기 위해.
• 데이터 처리 및 시각화를 단순화하여 대규모 종단적 연구 및 임상 통합을 촉진하기 위해.

제안 방법

• T12–L5 체간 수준의 3차원 체간 분할을 위해 TotalSegmentator 모델을 활용하여 체간 뼈(vertebral bodies)를 식별하고 해부학적 랜드마크를 추출한다.
• 대조 증강 CT 영상에 대해 미세조정된 딥러닝 모델(stanford_v0.0.1)을 적용하여 축단면에서 골격근, VAT, SAT를 분할한다.
• 다색 시각화를 활용하여 분할 결과의 품질 확보를 신속하게 수행한다.
• 명령줄 인터페이스 또는 SLURM 작업 제출을 통해 DICOM 형식의 CT 연구를 일괄 처리하도록 자동화한다.
• 분할 결과를 정밀하게 다듬고 해부학적 타당성을 보장하기 위해 후처리 히우리스틱을 구현한다.
• 헤운스필드 단위(HU) 평균, 횡단면 면적, 조직 부피 등 표준화된 체성분 지표를 계산한다.

실험 결과

연구 질문

• RQ1 오픈소스이자 자동화된 파이프라인이 복부 CT에서 체성분 분석에 대해 수동 또는 전용 도구 수준의 높은 분할 정확도를 달성할 수 있는가?
• RQ2 이 모델은 다양한 기관과 스캐너 프로토콜 간에 일반화되는 정도가 어떠한가? 특히 근육 및 지방세포조직 분할에 대해.
• RQ3 자동화된 체간 뼈 분할 및 HU 측정이 일상 CT 영상에서 골다골증 스크리닝에 얼마나 기여할 수 있는가?
• RQ4 의료 영상 처리 전문 지식이 없이도 이 도구가 임상 및 연구 워크플로우에 효율적으로 배포될 수 있는가?
• RQ5 내부 및 외부 검증 세트에서 기준값 대비 계산된 체성분 지표(예: HU, 횡단면 면적)의 정확도는 어느 정도인가?

주요 결과

• 체간 파이프라인은 L3에서 평균 수직 중심 오차 3.38 mm, L4에서 2.68 mm를 기록했으며, 모든 수준에서 HU ROI 오차는 4 HU 이하, 상대 오차는 2.6% 이하였다.
• 내부 테스트 세트 40건의 대조 증강 CT 영상에서 L3 수준에서 근육에 대해 0.97, VAT에 대해 0.96, SAT에 대해 0.97의 Dice 점수를 기록했다.
• 다른 기관의 20건에 대한 외부 검증에서 L3 수준에서 근육에 대해 94.7%, VAT에 대해 94.6%, SAT에 대해 93.2%의 Dice 점수를 기록했으며, 모든 수준에서 높은 일관성을 보였다.
• 내부 테스트 세트에서 헤운스필드 단위(HU) 측정 오차는 1% 미만, 횡단면 면적 오차는 모든 조직에서 2% 미만이었다.
• 다양한 해부학적 영역과 스캔 프로토콜 간에 뛰어난 성능을 보였으며, 최소한의 사용자 입력이 요구되었다.
• 이 패키지는 다색 시각화 보고서를 통해 품질 제어를 위한 자동화되고 재현 가능하며 확장 가능한 체성분 분석을 가능하게 했다.