[논문 리뷰] Long-Bone Fracture Detection using Artificial Neural Networks based on Contour Features of X-ray Images

Alice Yi Yang, Ling Cheng|arXiv (Cornell University)|2019. 02. 21.

AI in cancer detection참고 문헌 16인용 수 12

한 줄 요약

이 논문은 X선 영상에서 긴 뼈 골절을 진단하기 위해 19개의 윤곽 특징(기울기 발생 수 및 0° 기울기 기반 영역 분리 포함)을 사용하는 두 가지 윤곽 기반 인공신경망(ANN) 기반 설계—표준 및 개선된 윤곽 히스토그램 특징 기반(CHFB)—을 제안한다. 개선된 CHFB 설계는 연조직 윤곽을 제외함으로써 평균 정확도 82.98%와 AUC 0.8275를 달성하여 민감도 및 거짓 음성 제어 측면에서 표준 버전을 능가한다.

ABSTRACT

The following paper proposes two contour-based fracture detection schemes. The development of the contour-based fracture is based on the line-based fracture detection schemes proposed in arXiv:1902.07458. Existing Computer Aided Diagnosis (CAD) systems commonly employs Convolutional Neural Networks (CNN), although the cost to obtain a high accuracy is the amount of training data required. The purpose of the proposed schemes is to obtain a high classification accuracy with a reduced number of training data through the use of detected contours in X-ray images. There are two contour-based fracture detection schemes. The first is the Standard Contour Histogram Feature-Based (CHFB) and the second is the improved CHFB scheme. The difference between the two schemes is the removal of the surrounding detected flesh contours from the leg region in the improved CHFB scheme. The flesh contours are automatically classified as non-fractures. The contours are further refined to give a precise representation of the image edge objects. A total of 19 features are extracted from each refined contour. 8 out of the 19 features are based on the number of occurrences for particular detected gradients in the contour. Moreover, the occurrence of the 0-degree gradient in the contours are employed for the separation of the knee, leg and foot region. The features are a summary representation of the contour, in which it is used as inputs into the Artificial Neural Network (ANN). Both Standard CHFB and improved CHFB schemes are evaluated with the same experimental set-ups. The average system accuracy for the Standard CHFB scheme is 80.7%, whilst the improved CHFB scheme has an average accuracy of 82.98%. Additionally, the hierarchical clustering technique is adopted to highlight the fractured region within the X-ray image, using extracted 0-degree gradients from fractured contours.

연구 동기 및 목표

• 원시 픽셀 데이터 대신 윤곽 기반 특징을 활용하여 의료 X선 골절 진단에서 대규모 학습 데이터셋에 대한 의존도를 줄이기 위해.
• 최소한의 데이터 요구량으로도 인공신경망을 활용한 골절 진단의 분류 정확도 및 민감도를 향상시키기 위해.
• 모서리 표현을 정밀화하고 관련 없는 연조직 윤곽을 제거하여 골절된 윤곽과 비골절 윤곽을 구분하기 위해.
• 검출된 윤곽에서 유도된 0° 기울기 특징의 계층적 군집화를 통해 골절 영역의 시각적 국소화를 향상시키기 위해.
• 임상적 맥락에서 매우 중요한 거짓 음성 수를 최소화하기 위해 특징 선택 및 군집 전략 최적화를 위해.

제안 방법

• 모서리 감지 및 중복 또는 중복된 점을 제거하기 위해 윤곽을 정제함으로써 X선 영상에서 윤곽을 추출한다.
• 특정 기울기 방향(특히 0° 기울기)의 빈도를 포함하여 각 윤곽당 19개의 특징을 추출하여 무릎, 다리, 발과 같은 해부학적 영역을 식별한다.
• 골절된 윤곽와 비골절 윤곽을 가장 잘 구분하는 주요 특징을 식별하기 위해 주성분 분석(PCA)을 적용한다.
• 각 윤곽이 골절되었는지 여부를 분류하기 위해 윤곽 특징을 기반으로 인공신경망(ANN)을 학습시킨다.
• 검출된 골절된 윤곽에서 유도된 0° 기울기 점들을 대상으로 계층적 군집화를 수행하여 영상에서 골절 영역을 강조하고 국소화한다.
• 일반화 능력을 테스트하기 위해 이미지의 맥락을 반영한 윤곽과 무작위로 선택된 비맥락 윤곽을 사용한 이중 평가를 구현한다.

실험 결과

연구 질문

• RQ1 윤곽 기반 특징 추출이 X선 영상에서 정확한 골절 진단 모델을 학습시키기 위한 데이터 요구량을 줄일 수 있는가?
• RQ2 비골격(연조직) 윤곽을 제거함으로써 ANN 기반 골절 진단 시스템의 성능 및 민감도가 향상되는가?
• RQ3 윤곽 내 0° 기울기 특징이 계층적 군집화를 통해 골절 영역을 국소화하는 데 어느 정도 기여하는가?
• RQ4 윤곽 분류 과정에서 이미지 맥락을 포함할 경우 전체 시스템의 정확도 및 내구성에 어떤 영향을 미치는가?
• RQ5 윤곽 기반 ANN 시스템에서 거짓 음성 비율을 낮출 수 있는가? 이는 특이도 또는 총합 정확도를 희생시키지 않고서도 가능할까?

주요 결과

• 개선된 CHFB 설계는 두 평가 모두에서 표준 CHFB 설계의 80.7%보다 높은 평균 정확도 82.98%를 달성하였다.
• 개선된 CHFB 설계는 거짓 음성 대 거짓 양성 비율이 1:0.94로 표준 설계의 1:0.71보다 뛰어난 민감도를 보였다.
• 개선된 CHFB 설계는 표준 설계의 AUC 0.8225보다 略로 높은 AUC 0.8275를 기록하여 더 나은 참 양성 탐지 성능을 나타내었다.
• 개선된 CHFB 설계는 최대 정확도 89.07%를 기록하여 향상된 데이터 레이블링을 통해 추가적인 향상 가능성을 시사하였다.
• 0° 기울기 점의 계층적 군집화가 골절 영역을 효과적으로 강조하였지만, 윤곽 기반 국소화만으로는 골절되지 않은 영역으로 과도하게 확장되어 부족한 것으로 나타났다.
• 개선된 설계에서는 거짓 양성이 감소하였지만, 거짓 음성은 여전히 도전 과제로 남아 있어 특징 선택 및 군집 수준 적응 전략의 개선 여지가 있음을 시사한다.