[논문 리뷰] RootPainter3D: Interactive-machine-learning enables rapid and accurate contouring for radiotherapy

Abraham George Smith, Jens Petersen외 6명|arXiv (Cornell University)|2021. 06. 22.

Advanced Radiotherapy Techniques참고 문헌 54인용 수 16

한 줄 요약

RootPainter3D는 비전문가 임상의가 정정(annotation)을 통해 3D CT 스캔에서 위험 기관을 신속하고 정확하게 윤곽을 그릴 수 있도록 도와주는 상호작용 기반 머신러닝 시스템이다. 의료진의 피드백을 반복적으로 적용하여 3D U-Net 모델을 정교화함으로써, 딱도 스코어(Dice score) 0.95를 달성하고, 심장 윤곽 매핑 시간을 수작업 시 7:01분에서 923회의 정정(annotation) 후 2:02분으로 단축시켜 정확도를 유지하면서도 상당한 시간 절감을 이룬다.

ABSTRACT

Organ-at-risk contouring is still a bottleneck in radiotherapy, with many deep learning methods falling short of promised results when evaluated on clinical data. We investigate the accuracy and time-savings resulting from the use of an interactive-machine-learning method for an organ-at-risk contouring task. We compare the method to the Eclipse contouring software and find strong agreement with manual delineations, with a dice score of 0.95. The annotations created using corrective-annotation also take less time to create as more images are annotated, resulting in substantial time savings compared to manual methods, with hearts that take 2 minutes and 2 seconds to delineate on average, after 923 images have been delineated, compared to 7 minutes and 1 seconds when delineating manually. Our experiment demonstrates that interactive-machine-learning with corrective-annotation provides a fast and accessible way for non computer-scientists to train deep-learning models to segment their own structures of interest as part of routine clinical workflows. Source code is available at \href{https://github.com/Abe404/RootPainter3D}{this HTTPS URL}.

연구 동기 및 목표

• 방사선 치료에서 시간 소모가 크고 결과가 일관되지 않은 수작업 윤곽 매핑의 문제를 해결하기 위해.
• 정정(annotation)을 통한 상호작용 기반 머신러닝이 수작업 분할과 비교하여 유사한 정확도를 달성할 수 있는지 평가하기 위해.
• 정정(annotation) 수가 증가함에 따라 윤곽 매핑 시간이 지속적으로 감소하는지 조사하기 위해.
• 컴퓨터 과학자가 아닌 전문가들이 딥러닝 모델을 임상 분할 작업용으로 훈련시킬 수 있도록 하기 위해.
• 실제 환자 CT 데이터를 사용하여 임상 워크플로우에서 지속적 학습의 가능성을 입증하기 위해.

제안 방법

• 시스템은 그룹 정규화와 잔차 연결을 적용한 3D U-Net 아키텍처를 사용하여 3D CT 영상 분할에 적합하게 개선되었다.
• 클라이언트-서버 아키텍처를 통해 사용자가 수정한 정정(annotation) 데이터를 기반으로 실시간으로 모델 재학습이 가능하며, 확률적 경사 하강법을 사용한다.
• 정정(annotation)은 사용자가 경계 상자(bounding boxes)를 정의하고 희박한 영역(전경/배경)에서 모델 예측을 수정하는 그래픽 사용자 인터페이스를 통해 수행된다.
• 손실 계산에는 오직 사용자가 레이블링한 영역만 사용되며, 이는 희박한 정정(annotation) 데이터에 효율적인 훈련을 가능하게 한다.
• 모델은 각 정정(annotation) 후에 4장의 수정된 이미지 배치를 사용하여 재학습되며, 데이터 증강은 적용되지 않았다.
• 인터페이스는 axial 및 sagittal 평면에서 3D 탐색을 지원하며, 최적의 시각화를 위해 창/레벨 설정 조절이 가능하다.

실험 결과

연구 질문

• RQ1 정정(annotation)을 통한 상호작용 기반 머신러닝이 수작업 분할과 유사한 윤곽 매핑 정확도를 달성할 수 있는가?
• RQ2 더 많은 이미지가 정정(annotation)될수록 윤곽 매핑에 소요되는 시간이 지속적으로 감소하는가?
• RQ3 비전문가 임상의가 이 시스템을 통해 심장 분할을 위한 딥러닝 모델을 효과적으로 훈련시킬 수 있는가?
• RQ4 정정(annotation) 수가 증가함에 따라 모델 성능이 어떻게 변화하는가?
• RQ5 희박하고 인간이 이끄는 정정(annotation)이 모델의 일반화 능력과 추론 정확도에 어떤 영향을 미치는가?

주요 결과

• RootPainter3D 시스템은 수작업 윤곽과 비교해 평균 딱도 스코어 0.95를 기록하여 황금 표준 윤곽과 강한 일치를 보였다.
• 923장의 정정(annotation)된 영상 이후 평균 심장 윤곽 매핑 시간은 2분 2초로 감소했으며, 이는 수작업 시 7분 1초 대비 3.5배 빠른 속도 향상이다.
• 초기 훈련 단계 이후 933장의 스캔 중 대부분에서 딱도 스코어가 0.9 이상을 유지했으며, 종양과 가까운 영역에서 발생한 일부 이질점(outliers, 딱도 스코어 0.67 및 0.68)은 종양의 영향을 받은 것으로 확인되었다.
• 정정(annotation)된 영상 수가 증가함에 따라 예측된 윤곽과 수정된 윤곽 간 평균 절대 선량 차이가 0.3 Gray에서 0.12 Gray로 감소하여, 시간이 지남에 따라 선량 계산 정확도가 향상됨을 나타냈다.
• 정정(annotation) 수가 증가함에 따라 성능 향상 경향이 일관되게 관찰되었으며, 런닝 평균 딱도 스코어는 일반적으로 상승 추세를 보였다.
• 이질점은 주로 심장에 인접한 종양으로 인한 복잡한解부학적 구조로 인해 발생했으며, 이는 정정(annotation)을 통한 보완에도 불구하고 여전히 도전적인 문제임을 시사한다.