[논문 리뷰] Comprehensive Validation of Automated Whole Body Skeletal Muscle, Adipose Tissue, and Bone Segmentation from 3D CT images for Body Composition Analysis: Towards Extended Body Composition

Da Ma, Vincent Chow외 2명|arXiv (Cornell University)|2021. 06. 01.

Nutrition and Health in Aging참고 문헌 10인용 수 14

한 줄 요약

이 논문은 일상적인 3D CT 스캔에서 골격근, 지방 조직(피하 및 복부 내지방), 뼈를 자동으로 정확하게 정량화하기 위한 딥러닝 기반의 3D 전신 세분화 프레임워크를 제시한다. 50명의 환자 스캔에서 검증된 결과, 높은 Dice 점수(0.980–0.986)를 기록하여 정밀한 부피 측정 및 텍스처 분석이 가능해져 정밀의료에서 확장된 신체 구성 분석에 필수적인 요소가 된다.

ABSTRACT

The latest advances in computer-assisted precision medicine are making it feasible to move from population-wide models that are useful to discover aggregate patterns that hold for group-based analysis to patient-specific models that can drive patient-specific decisions with regard to treatment choices, and predictions of outcomes of treatment. Body Composition is recognized as an important driver and risk factor for a wide variety of diseases, as well as a predictor of individual patient-specific clinical outcomes to treatment choices or surgical interventions. 3D CT images are routinely acquired in the oncological worklows and deliver accurate rendering of internal anatomy and therefore can be used opportunistically to assess the amount of skeletal muscle and adipose tissue compartments. Powerful tools of artificial intelligence such as deep learning are making it feasible now to segment the entire 3D image and generate accurate measurements of all internal anatomy. These will enable the overcoming of the severe bottleneck that existed previously, namely, the need for manual segmentation, which was prohibitive to scale to the hundreds of 2D axial slices that made up a 3D volumetric image. Automated tools such as presented here will now enable harvesting whole-body measurements from 3D CT or MRI images, leading to a new era of discovery of the drivers of various diseases based on individual tissue, organ volume, shape, and functional status. These measurements were hitherto unavailable thereby limiting the field to a very small and limited subset. These discoveries and the potential to perform individual image segmentation with high speed and accuracy are likely to lead to the incorporation of these 3D measures into individual specific treatment planning models related to nutrition, aging, chemotoxicity, surgery and survival after the onset of a major disease such as cancer.

연구 동기 및 목표

• 환자 개개인의 예후를 예측하는 데에 2D 단일 단면 CT 측정의 한계를 극복하기 위해 전체 3D 부피 측정 분석을 가능하게 하기 위해.
• 높은 정확도와 빠른 속도로 전체 신체 3D CT 스캔를 처리할 수 있는 자동화된 딥러닝 기반 세분화 방법을 개발하기 위해.
• 정밀의료를 위해 여러 조직 및 장기에서 부피, 형태, 텍스처 등의 종합적인 신체 구성 지표를 추출하기 위해.
• 간접 측정치를 직접적인 3D 측정치로 대체함으로써 개인 맞춤 임상 예측 모델의 기초를 마련하기 위해.
• 암, 노화, 대사질환의 치료 계획 수립에 고급 영상 생물학적 지표를 환자 중심의 치료 계획에 통합하는 데를 지원하기 위해.

제안 방법

• 전신의 모든 축 방향 단면에서 3D CT 볼륨 전체에 걸쳐 세분화를 수행하기 위해 딥러닝 기반의 3D U-Net 아키텍처를 활용한다.
• 전문가가 라벨링한 뼈, 골격근, 피하지방, 복부 내지방을 포함한 다양한 50개의 3D CT 스캔 데이터셋을 기반으로 엔드 투 엔드로 훈련한다.
• 대조, 비대조, 저선량 CT 프로토콜에 걸쳐 다양한 조건에서도 강인한 성능을 확보하기 위해 데이터 증강 및 정규화 기법을 적용한다.
• 모든 조직 유형의 세분화 정확도를 최적화하기 위해 Dice와 교차 엔트로피를 조합한 다중 구조 손실 함수를 활용한다.
• 세분화 격차를 평가하는 표준 지표인 Dice 계수를 사용하여 보류된 테스트 세트 50건에서 성능을 검증한다.
• 임상적 확장성을 고려해 상용 소프트웨어 플랫폼(DAFS 3.0)에 통합되어 실제 환경에 구현 가능하도록 설계되었다.

실험 결과

연구 질문

• RQ1 전신 CT 스캔에서의 자동 3D 세분화가 골격근, 지방 조직, 뼈에 대해 임상적 사용에 적합한 높은 정확도를 달성할 수 있는가?
• RQ2 3D 부피 측정이 진정한 전신 조직 부피를 예측하는 데 있어 2D 단일 단면(L3 기준 등) 측정과 비교해 어떤가?
• RQ3 딥러닝 기반 세분화가 개인 맞춤 예측에서 회귀 기반의 대체 측정치의 한계를 얼마나 효과적으로 극복할 수 있는가?
• RQ4 비대조, 대조 증강, 저선량 스캔을 포함한 다양한 CT 촬영 프로토콜 간에도 이 방법이 일반화 가능한가?
• RQ5 3D 신체 구성 지표의 잠재력은 전통적인 BMI 또는 체표면적 기반 모델을 초월해 개인 맞춤 치료 계획을 향상시킬 수 있는가?

주요 결과

• 검증 세트 50건의 CT 스캔에서 제안된 3D 세분화 모델은 뼈에 대해 평균 Dice 계수 0.980, 골격근에 대해 0.974, 피하지방에 대해 0.986, 복부 내지방에 대해 0.960을 기록하였다.
• 높은 Dice 점수는 전문가 수준의 세분화 정확도를 나타내며, 자동 전신 조직 정량화의 가능성을 입증한다.
• 실제 3D 조직 부피를 추정하는 데 있어 2D 단일 단면 접근법보다 유의미하게 뛰어나며, 오차 범위를 10–30%에서 이상적인 정밀도 수준으로 감소시켰다.
• 대조 및 비대조를 포함한 다양한 새로운 CT 스캔에서의 실증적 테스트를 통해 훈련 데이터를 초월한 강력한 일반화 성능을 확인하였다.
• 이 프레임워크는 간, 비장, 신장, 췌장과 같은 여러 장기에서 3D 부피, 형태, 방사선 영상 텍스처 특징을 추출할 수 있어 확장된 신체 구성 모델을 지원한다.
• 이 방법은 데이터 분석 지원 도구 3.0(DAFS 3.0)를 통해 상용화되어 임상 현장 구현 및 환자의 장기적 모니터링을 가능하게 한다.