[논문]CT 영상 기반 근감소증 진단을 위한 AI 영상분할 모델 개발 및 검증

이충섭; 임동욱; 노시형; 김태훈; 고유선; 김경원; 정창원

doi:10.3745/ktccs.2023.12.3.119

[국내논문] CT 영상 기반 근감소증 진단을 위한 AI 영상분할 모델 개발 및 검증
Development and Validation of AI Image Segmentation Model for CT Image-Based Sarcopenia Diagnosis 원문보기

정보처리학회논문지. KIPS transactions on computer and communication systems 컴퓨터 및 통신 시스템, v.12 no.3, 2023년, pp.119 - 126

이충섭 (원광대학교 의료융합연구센터) , 임동욱 (원광대학교 의료융합연구센터) , 노시형 (원광대학교 의료융합연구센터) , 김태훈 (원광대학교 의료융합연구센터) , 고유선 (울산대학교 의학과 연구조) , 김경원 (서울아산병원 영상의학과) , 정창원 (원광대학교병원 의생명연구원 중점연구센터)

초록
AI-Helper

근감소증은 국내는 2021년 질병으로 분류되었을 만큼 잘 알려져 있지 않지만 고령화사회에 진입한 선진국에서는 사회적 문제로 인식하고 있다. 근감소증 진단은 유럽노인근감소증 진단그룹(EWGSOP)과 아시아근감소증진단그룹(AWGS)에서 제시하는 국제표준지침을 따른다. 최근 진단방법으로 절대적 근육량 이외에 신체수행평가로 보행속도 측정과 일어서기 검사 등을 통하여 근육 기능을 함께 측정할 것을 권고하고 있다. 근육량을 측정하기 위한 대표적인 방법으로 DEXA를 이용한 체성분 분석 방법이 임상에서 정식으로 실시하고 있다. 또한 MRI 또는 CT의 복부 영상을 이용하여 근육량을 측정하는 다양한 연구가 활발하게 진행되고 있다. 따라서 본 논문에서는 근감소증 진단을 위해서 비교적 짧은 촬영시간을 갖는 CT의 복부영상기반으로 AI 영상 분할 모델을 개발하고 다기관 검증한 내용을 기술한다. 우리는 CT 영상 중에 요추의 L3 영역을 분류하여 피하지방, 내장지방, 근육을 자동으로 분할할 수 있는 인공지능 모델을 U-Net 모델을 사용하여 개발하였다. 또한 모델의 성능평가를 위해서 분할영역의 IOU(Intersection over Union)를 계산하여 내부검증을 진행했으며, 타 병원의 데이터를 활용하여 동일한 IOU 방법으로 외부검증을 진행한 결과를 보인다. 검증 결과를 토대로 문제점과 해결방안에 대해서 검증하고 보완하고자 했다.

Abstract ▼ AI-Helper

Sarcopenia is not well known enough to be classified as a disease in 2021 in Korea, but it is recognized as a social problem in developed countries that have entered an aging society. The diagnosis of sarcopenia follows the international standard guidelines presented by the European Working Group for Sarcopenia in Older People (EWGSOP) and the d Asian Working Group for Sarcopenia (AWGS). Recently, it is recommended to evaluate muscle function by using physical performance evaluation, walking speed measurement, and standing test in addition to absolute muscle mass as a diagnostic method. As a representative method for measuring muscle mass, the body composition analysis method using DEXA has been formally implemented in clinical practice. In addition, various studies for measuring muscle mass using abdominal images of MRI or CT are being actively conducted. In this paper, we develop an AI image segmentation model based on abdominal images of CT with a relatively short imaging time for the diagnosis of sarcopenia and describe the multicenter validation. We developed an artificial intelligence model using U-Net that can automatically segment muscle, subcutaneous fat, and visceral fat by selecting the L3 region from the CT image. Also, to evaluate the performance of the model, internal verification was performed by calculating the intersection over union (IOU) of the partitioned area, and the results of external verification using data from other hospitals are shown. Based on the verification results, we tried to review and supplement the problems and solutions.

주제어

표/그림 (13)

표 Table 1. Measuring techniques for sarcopenia
그림 Fig. 1. Various CT Imaging Cases
그림 Fig. 2. Overall Structure of U-Net
그림 Fig. 3. Segmentation Error
그림 Fig. 4. History plots of Learning results
그림 Fig. 5. L3 Area Selection UI
표 Table 2. Hyperparameters for Learning
표 Table 3. IOU Results of Test Dataset
그림 Fig. 6. Labeling Tool Viewer
그림 Fig. 7. Differences in Labeling Data
표 Table 4. IOU Results of External Validation Dataset
표 Table 5. IOU Results of External Validation Dataset from 4 Hospitals
표 Table 6. IOU Results by Percentage of External Validation Dataset

참고문헌 (25)

J.-Y. Lim, "Consensus update on definition and diagnosis？for sarcopenia," Geriatric Rehabilitation, Vol.10, No.2,？pp.39-45, 2020.
G. Grimby and B. Saltin, "The ageing muscle," Clin Physiol,？Vol.3, No.3, pp.209-18, 1983. doi: 10.1111/j.1475-097x.1983.tb00704 .x. PMID: 6347501.

상세보기
A. J. Cruz-Jentoft et al., "Sarcopenia: European consensus？on definition and diagnosis: Report of the European？Working Group on Sarcopenia in Older People," Age Ageing,？Vol.39, No.4, pp.412-23, 2010. doi: 10.1093/ageing/afq034.？Epub 2010 Apr 13. PMID: 20392703; PMCID: PMC2886201.

상세보기
O. Wallengren et al., "Comparison of the 2010 and 2019？diagnostic criteria for sarcopenia by the European？Working Group on Sarcopenia in Older People (EWGSOP)？in two cohorts of Swedish older adults," BMC Geriatr,？Vol.21, No.1, pp.600, 2021. https://doi.org/10.1186/s12877-021-02533-y.

상세보기
L. K. Chen et al., "Sarcopenia in Asia: Consensus report？of the Asian Working Group for Sarcopenia," Journal of？the American Medical Directors Association, Vol.15, No.2,？pp.95-101, 2014.

상세보기
L. K. Chen et al., "Asian Working Group for Sarcopenia:？2019 consensus update on sarcopenia diagnosis and？treatment," Journal of the American Medical Directors？Association, Vol.21, No.3, pp.300-307, e2, 2020.
C.-S. Lee et al., "Implementation of medical image labeling？web application for machine learning," Proceedings of the？Korea Information Processing Society Conference, pp.602-605. 2021, doi:10.3745/PKIPS.Y2021M11A.602.
R. B. Parikh, Z. Obermeyer, and A. S. Navathe, "Regulation？of predictive analytics in medicine," Science, Vol.363, No.？6429, pp.810-812, 2019. doi:10.1126/science.aaw0029.

상세보기
C. L Ramspek, K. J. Jager, F. W. Dekker, C. Zoccali, and？M. van Diepen, "External validation of prognostic models:？What, why, how, when and where," Clinical Kidney？Journal, Vol.14, Iss.1, pp.49-58, 2021. https://doi.org/10.1093/ckj/sfaa188.

상세보기
S. E. Bleeker et al., "External validation is necessary in？prediction research: A clinical example," Journal of？clinical epidemiology, Vol.56, No.9, pp.826-832, 2003.

상세보기
L. L. G. C. Ackermans et al., "Screening, diagnosis and？monitoring of sarcopenia: When to use which tool?"？Clinical Nutrition ESPEN, Vol.48, pp.36-44, 2022.

상세보기
V. E. Baracos, V. C. Mazurak, and A. S. Bhullar, "Cancer？cachexia is defined by an ongoing loss of skeletal muscle？mass," Annals of Palliative Medicine, Vol.8, No.1, pp.3-12,？2018.
M. T. Imboden, A. M. Swartz, H. W. Finch, M. P. Harber,？and L. A. Kaminsky, "Reference standards for lean mass？measures using GE dual energy x-ray absorptiometry in？Caucasian adults," PLoS One, Vol.12, No.4, Article？e0176161, 2017.

상세보기
K. Engelke, O. Museyko, L. Wang, and J.-D. Laredo, "Quantitative analysis of skeletal muscle by computed tomography imaging-state of the art," Journal of orthopaedic？translation, Vol.15, pp.91-103, 2018.
S. Bamba et al., "Sarcopenia is a predictive factor for？intestinal resection in admitted patients with Crohn's？disease," PLoS One, Vol.12, Vol.6, e0180036, 2017.
R. Hemke, C. G. Buckless, A. Tsao, B. Wang, and M.？Torriani, "Deep learning for automated segmentation of？pelvic muscles, fat, and bone from CT studies for body？composition assessment," Skeletal Radiology, Vol.49, No.3,？pp.387-395, 2020.

상세보기
L. Boeri et al., "Hounsfield unit attenuation value can？differentiate pyonephrosis from hydronephrosis and？predict septic complications in patients with obstructive？uropathy," Scientific Reports, Vol.10, No.1, pp.18546,？2020. https://doi.org/10.1038/s41598-020-75672-8.

상세보기
J. Schmidhuber, "Deep learning in neural networks: An？overview," Neural Networks, Vol.61, pp.85-117, 2015. doi:？10.1016/j.neunet.2014.09.003. Epub 2014 Oct. 13. PMID:25462637.

상세보기
O. Ronneberger, P. Fischer, and T. Brox, "U-Net: Convolutional networks for biomedical image segmentation,"？arXiv preprint arXiv:1505.04597, 2015. 5.
S.-H. Noh et al., "Development of image segmentation？model for sarcopenia diagnosis and its application,"？Proceedings of the Korea Information Processing Society？Conference, pp.577-79, 2021, doi:10.3745/PKIPS.Y2021M11A.577.
C. H. Sudre, W. Li, T. Vercauteren, S. Ourselin, and M.？J. Cardoso, "Generalized dice overlap as a deep learning？loss function for highly unbalanced segmentations," in？Proceeding of Deep Learning in Medical Image Analysis？and Multimodal Laerning for Clinical Decision Support,？pp.240-248, 2017.
Z. Zhang and M. Sabuncu, "Generalized cross entropy loss？for training deep neural networks with noisy labels," arXiv？preprint arXiv:1805.07836, 2018.
J. M. Johnson and T. M. Khoshgoftaar, "Survey on deep？learning with class imbalance," Journal of Big Data, Vol.6,？No.1, pp.1-5, 2019. https://doi.org/10.1186/s40537-019-0192-5.

상세보기
M. Buda, A. Maki, and M. A. Mazurowski, "A systematic？study of the class imbalance problem in convolutional？neural networks," CoRR abs/1710.05381 arXiv:1710.05381,？2017. http://arxiv.org/abs/1710.05381.
H. J. Park et al., "Development and validation of a deep？learning system for segmentation of abdominal muscle？and fat on computed tomography," Korea Journal of？Radiology, Vol.21, No.1, pp.88-100, 2020. http://doi.org/10.3348/kjr.2019.0470.

원문보기 상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증