[논문 리뷰] Deep Learning to Segment Pelvic Bones: Large-scale CT Datasets and Baseline Models

Pengbo Liu, Hu Han외 10명|arXiv (Cornell University)|2020. 12. 16.

Medical Imaging and Analysis참고 문헌 37인용 수 7

한 줄 요약

이 논문은 1,184개의 볼륨(320K+ 슬라이스)을 포함하는 대규모 다중 소스 체질 CT 데이터셋을 소개하고, 요추 척추, 체절, 좌측 및 우측 대퇴골을 다중 클래스 분할하기 위한 딥 러닝 모델을 제안한다. 금속이 없는 스캔에서 평균 DICE 스코어 0.987을 달성하였으며, 새로운 SDF 기반 후처리기 덕분에 기존 방법 대비 Hausdorff 거리가 15.1% 감소하여 강인성이 향상되었다.

ABSTRACT

Purpose: Pelvic bone segmentation in CT has always been an essential step in clinical diagnosis and surgery planning of pelvic bone diseases. Existing methods for pelvic bone segmentation are either hand-crafted or semi-automatic and achieve limited accuracy when dealing with image appearance variations due to the multi-site domain shift, the presence of contrasted vessels, coprolith and chyme, bone fractures, low dose, metal artifacts, etc. Due to the lack of a large-scale pelvic CT dataset with annotations, deep learning methods are not fully explored. Methods: In this paper, we aim to bridge the data gap by curating a large pelvic CT dataset pooled from multiple sources and different manufacturers, including 1, 184 CT volumes and over 320, 000 slices with different resolutions and a variety of the above-mentioned appearance variations. Then we propose for the first time, to the best of our knowledge, to learn a deep multi-class network for segmenting lumbar spine, sacrum, left hip, and right hip, from multiple-domain images simultaneously to obtain more effective and robust feature representations. Finally, we introduce a post-processing tool based on the signed distance function (SDF) to eliminate false predictions while retaining correctly predicted bone fragments. Results: Extensive experiments on our dataset demonstrate the effectiveness of our automatic method, achieving an average Dice of 0.987 for a metal-free volume. SDF post-processor yields a decrease of 10.5% in hausdorff distance by maintaining important bone fragments in post-processing phase. Conclusion: We believe this large-scale dataset will promote the development of the whole community and plan to open source the images, annotations, codes, and trained baseline models at https://github.com/ICT-MIRACLE-lab/CTPelvic1K.

연구 동기 및 목표

• 의료 영상 분야의 딥 러닝을 위한 대규모, 다양한 종류, 오픈소스 체질 CT 데이터셋의 부족 문제를 해결한다.
• 금속 약물, 저선량 스캔, 골절, 대조제 등 다양한 영상 특성 변화로 인한 체질 뼈 분할 과제를 해결한다.
• 다양한 영역의 CT 스캔에서 요추 척추, 체절, 좌측 및 우측 대퇴골 4개의 체질 뼈 구조를 동시에 분할하는 딥 러닝 다중 클래스 네트워크를 개발한다.
• 새로운 서명 거리 함수(SDF) 기반 후처리기를 통해 분할 정확도와 강인성을 향상시킨다.
• 베이스라인 시스템을 수립하고 데이터셋, 애너테이션, 코드, 학습된 모델을 공개하여 체질 해부학적 분할 분야의 연구를 가속화한다.

제안 방법

• 다양한 임상 소스와 스캐너에서 유래한 대규모 체질 CT 데이터셋을 정제하였으며, 금속 약물, 대조된 혈관, 저선량 프로토콜 등 다양한 영상 조건을 포함한 1,184개의 볼륨을 포함한다.
• 다양한 영역의 CT 데이터에 대해 엔드 투 엔드로 훈련된 딥 러닝 다중 클래스 분할 네트워크를 제안하여 다양한 영역 간에서 강인하고 일반화 가능한 특징을 학습한다.
• 서명 거리 함수(SDF) 기반의 새로운 후처리 모듈을 설계하여 분할 마스크를 정밀하게 다듬고, 작은 조각들을 제거하며 경계 정확도를 향상시킨다.
• 전체 데이터셋에 대해 훈련된 통합 모델(Φ_ALL)을 구축하고, 하위 데이터셋 간 평가를 통해 다양한 영역과 제조사 간 일반화 능력을 평가한다.
• 다양한 아보레이션 연구를 수행하였으며, 리브 원 아웃 교차검증 및 도메인 일반화 실험을 통해 다중 소스 데이터 통합의 효과를 검증하였다.
• 평가 지표로 DICE 계수(DC)와 Hausdorff 거리(HD)를 사용하였으며, SDF 후처리기 덕분에 HD가 크게 감소하였고 해부학적 구조는 유지되었다.

실험 결과

연구 질문

• RQ1 대규모, 다중 소스 체질 CT 데이터셋은 체질 뼈 분할을 위한 딥 러닝 모델의 일반화 능력과 강인성을 향상시키는가?
• RQ2 요추 척추, 체절, 양측 대퇴골을 동시에 다중 클래스로 분할하는 것이 복잡한 영상 조건에서 단일 구조나 이진 분할보다 우월한가?
• RQ3 제안된 SDF 후처리기가 Hausdorff 거리 및 작은 조각 제거 측면에서 분할 오류를 어느 정도 감소시키는가?
• RQ4 통합 다중 영역 데이터셋으로 훈련하는 것과 각 하위 데이터셋으로 별도로 훈련하는 것 간에 교차 도메인 일반화 능력에서 어떤 차이가 있는가?
• RQ5 다양한 임상 기관과 스캐너에서 유래한 데이터 통합은 도메인 이동 문제를 완화하고 실제 환경에서의 모델 강인성을 향상시키는가?

주요 결과

• 제안된 딥 러닝 다중 클래스 분할 모델은 금속이 없는 CT 볼륨에서 평균 DICE 계수 0.987을 달성하여 높은 정확도를 입증하였다.
• SDF 후처리기는 기존 MCR 후처리기 대비 Hausdorff 거리를 15.1% 감소시켜 경계 정밀도를 크게 향상시켰다.
• 통합 모델 Φ_ALL은 하위 데이터셋 전용 모델보다 교차 도메인 평가에서 뛰어난 성능을 보였으며, 다중 소스 데이터 통합의 이점이 확인되었다.
• 리브 원 아웃 교차검증 결과, 다섯 개의 하위 데이터셋으로 훈련된 모델은 여섯 번째 데이터셋으로 일반화되었고, 데이터의 1/3만으로도 Φ_ALL과 유사한 성능을 달성하였다.
• 그림 5 및 그림 6의 정성적 결과는 SDF 필터링이 큰 해부학적 구조를 유지하면서도 부적절한 작은 조각들을 효과적으로 제거함을 확인하였다.
• 데이터셋, 코드, 애너테이션, 학습된 모델은 https://github.com/ICT-MIRACLE-lab/CTPelvic1K 에 공개되어 재현성과 공동체의 발전을 가능하게 한다.