[논문]딥러닝 기반 CT 스캔 재구성을 통한 조영제 사용 및 신체 부위 분류 성능 향상 연구

나성원; 고유선; 김경원

doi:10.5909/jbe.2023.28.3.293

딥러닝 기반 CT 스캔 재구성을 통한 조영제 사용 및 신체 부위 분류 성능 향상 연구
A Study on the Use of Contrast Agent and the Improvement of Body Part Classification Performance through Deep Learning-Based CT Scan Reconstruction 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.28 no.3, 2023년, pp.293 - 301

나성원 (서울아산병원 의생명연구소) , 고유선 (울산대학교 의과대학 의학과) , 김경원 (서울아산병원 영상의학과)

초록
AI-Helper

표준화되지 않은 의료 데이터 수집 및 관리는 여전히 수동으로 진행되고 있어, 이 문제를 해결하기 위해 딥 러닝을 사용해 CT 데이터를 분류하는 연구들이 진행되고 있다. 하지만 대부분 연구에서는 기본적인 CT slice인 axial 평면만을 기반으로 모델을 개발하고 있다. CT 영상은 일반 이미지와 다르게 인체 구조만 묘사하기 때문에 CT scan을 재구성하는 것만으로도 더 풍부한 신체적 특징을 나타낼 수 있다. 이 연구는 axial 평면뿐만 아니라 CT 데이터를 2D로 변환하는 여러가지 방법들을 통해 보다 높은 성능을 달성할 수 있는 방법을 찾고자 한다. 훈련은 5가지 부위의 CT 스캔 1042개를 사용했고, 모델 평가를 위해 테스트셋 179개, 외부 데이터셋으로 448개를 수집했다. 딥러닝 모델 개발을 위해 ImageNet으로 사전 학습된 InceptionResNetV2를 백본으로 사용하였으며, 모델의 전체 레이어를 재 학습했다. 실험결과 신체 부위 분류에서는 재구성 데이터 모델이 99.33%를 달성하며 axial 모델보다 1.12% 더 높았고, 조영제 분류에서는 brain과 neck에서만 axial모델이 높았다. 결론적으로 axial slice로만 훈련했을 때 보다 해부학적 특징이 잘 나타나는 데이터로 학습했을 때 더 정확한 성능 달성이 가능했다.

Abstract ▼ AI-Helper

Unstandardized medical data collection and management are still being conducted manually, and studies are being conducted to classify CT data using deep learning to solve this problem. However, most studies are developing models based only on the axial plane, which is a basic CT slice. Because CT images depict only human structures unlike general images, reconstructing CT scans alone can provide richer physical features. This study seeks to find ways to achieve higher performance through various methods of converting CT scan to 2D as well as axial planes. The training used 1042 CT scans from five body parts and collected 179 test sets and 448 with external datasets for model evaluation. To develop a deep learning model, we used InceptionResNetV2 pre-trained with ImageNet as a backbone and re-trained the entire layer of the model. As a result of the experiment, the reconstruction data model achieved 99.33% in body part classification, 1.12% higher than the axial model, and the axial model was higher only in brain and neck in contrast classification. In conclusion, it was possible to achieve more accurate performance when learning with data that shows better anatomical features than when trained with axial slice alone.

주제어

표/그림 (9)

그림 그림 1. CT Slice와 3D 재구성 방법. (a) CT 기기에서 획득된 CT slice 단면들, (b) CT slice 단면들을 결합하여 3D로 재구성한 예, (c) CT slice를 MIP(Maximum Intensity Projection) 방법으로 재구성한 예 Fig. 1. CT Slice and 3D reconstruction methods. (a) CT slice obtained from a CT device, (b) Example of 3D reconstruction by combine CT slice (c) Example of a MIP (Maximum Intensity Projection) reconstruction of a CT slice.
표 표 1. Training, Validation, Test set과 External Dataset에 대한 CT scan 수 Table 1. Number of CT scans for training, validation, test set and external dataset
그림 그림 2. 평면 별 재구성 예시 Fig. 2. Example of reconstruction by plane
그림 그림 3. DLM Training 개요 Fig. 3. Overview of DLM Training
표 표 2. DLM 학습 hyperparameter Table 2. DLM training hyperparameter
표 표 3. 재구성 데이터별 DLM의 신체 부위 분류 성능 Table 3. Performance of body part classification of DLM by reconstruction data
그림 그림 4. MIPsagittal, MIPaxial DLM 혼돈 행렬 Fig. 4. MIPsagittal, MIPaxial DLM confusion matrix
표 표 4. Mid-plane기반 DLM들의 신체 부위 별 조영제 사용 여부 분류 성능 Table 4. Performance of contrast enhancement classification of mid-plane based DLMs
그림 그림 5. 조영제 분류에서 신체 부위 별 최고 성능의 DLM 혼돈 행렬 Fig. 5. Best Performance DLM confusion matrix by Body Part in Contrast Classification

참고문헌 (11)

Russakovsky, Olga, et al. "Imagenet large scale visual recognition？challenge." International journal of computer vision 115 (2015):？211-252.？doi: https://doi.org/10.1007/s11263-015-0816-y

상세보기
Choy, Garry, et al. "Current applications and future impact of machine？learning in radiology." Radiology 288.2 (2018): 318-328.？doi: https://doi.org/10.1148/radiol.2018171820.

상세보기
Allen Jr, Bibb, et al. "A road map for translational research on artificial？intelligence in medical imaging: from the 2018 National Institutes of？Health/RSNA/ACR/The Academy Workshop." Journal of the？American College of Radiology 16.9 (2019): 1179-1189.？doi: https://doi.org/10.1016/j.jacr.2019.04.014.

상세보기
Gauriau, Romane, et al. "Using DICOM metadata for radiological？image series categorization: a feasibility study on large clinical brain？MRI datasets." Journal of digital imaging 33 (2020): 747-762.？doi: https://doi.org/10.1007/s10278-019-00308-x.

상세보기
Cho, Junghwan, et al. "How much data is needed to train a medical？image deep learning system to achieve necessary high accuracy?."？arXiv preprint arXiv:1511.06348 (2015).？https://doi.org/10.48550/arXiv.1511.06348
Roth, Holger R., et al. "Anatomy-specific classification of medical？images using deep convolutional nets." 2015 IEEE 12th international？symposium on biomedical imaging (ISBI). IEEE, 2015.？doi: https://doi.org/10.1109/ISBI.2015.7163826
Bae, Kyongtae T. "Intravenous contrast medium administration and scan timing at CT: considerations and approaches." Radiology 256.1？(2010): 32-61.？doi: https://doi.org/10.1148/radiol.10090908.

상세보기
Hamlin, Derek J., F. A. Burgener, and J. B. Beecham. "CT of？intramural endometrial carcinoma: contrast enhancement is essential."？American Journal of Roentgenology 137.3 (1981): 551-554.？doi: https://doi.org/10.2214/ajr.137.3.551.

상세보기
Sugimori, Hiroyuki. "Classification of computed tomography images？in different slice positions using deep learning." Journal of healthcare？engineering 2018 (2018).？doi: https://doi.org/10.1155/2018/1753480.

상세보기
Philbrick, Kenneth A., et al. "What does deep learning see? Insights？from a classifier trained to predict contrast enhancement phase from CT？images." American Journal of Roentgenology 211.6 (2018): 1184-1193.？doi: https://doi.org/10.2214/ajr.18.20331.

상세보기
Szegedy, Christian, et al. "Inception-v4, inception-resnet and the？impact of residual connections on learning." Proceedings of the AAAI？conference on artificial intelligence. Vol. 31. No. 1. 2017.？doi: https://doi.org/10.1609/aaai.v31i1.11231

상세보기

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