TotalSegmentator기반 자동 분할 결과의 보정이 딥러닝을 이용한 복부 지방 및 근육 분할에 미치는 영향 분석
Analyzing the effect of correcting TotalSegmentator-based automatic segmentation results on the abdominal fat and muscle segmentation using deep learning
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
체성분 분석은 다양한 질병의 진단, 예후 예측 및 치료 반응 평가에 중요한 역할을 한다. 특히 L3 요추 단면에서 피하지방, 내장지방, 골격근의 정량적 평가는 비만, 근감소증, 심혈관 질환 등과 밀접하게 연관되어 있다. 본 연구에서는 VerSe 공개 데이터셋에 TotalSegmentator를 활용하여 자동 분할을 진행하였다. 자동 분할 후, ITK-SNAP을 활용하여 과분할 및 누락 영역을 보정하였다. 예측 모델의 성능을 평가하기 위해 Dice 유사도 점수, 민감도, 특이도 비교 및 Bland-Altman 분석을 수행하였다. 보정한 데이터로 학습한 모델이 보정하지 않은 데이터로 학습한 모델보다 Dice 유사도 점수 측면에서 피하지방, 골격근 부위에서는 높은 성능을 보였고, 조직이 아닌 부위의 분할 오류가 줄었다. 경량화 U-Net의 경우 기본 U-Net보다 Dice 유사도 점수와 특이도가 높았고, Bland-Altman 분석에서 내장지방의 편향과 일치도 한계 폭이 줄었다. 결론적으로 TotalSegmentator로 자동 분할한 결과를 보정하지 않고 사용해도 피하지방, 내장지방, 골격근 부위의 Dice 유사도 점수가 0.8이상이 나오지만, 성능을 더 높이고 관심 조직이 아닌 부위의 분할 오류를 줄이려면 보정한 데이터로 학습한 모델을 사용하는 것을 권장한다. 경량화 모델도 분할 성능이 기본 모델 못지 않으므로 컴퓨팅 자원이 제한된 기기에서 사용을 권장한다
Abstract
Body composition analysis plays an important role in diagnosis, prognosis, and treatment monitoring of various diseases. In particular, quantitative evaluation of subcutaneous fat, visceral fat, and skeletal muscle in the third lumbar vertebral cross section is closely related to obesity, sarcopenia, and cardiovascular disease. In this study, the VerSe computed tomography (CT) spine dataset was used, and automatic segmentation was performed using TotalSegmentator. After automatic segmentation, over- and under-segmented regions were manually corrected by using ITK-SNAP. For evaluation of the performance of prediction models, we performed comparisons of Dice similarity score, sensitivity, and specificity as well as Bland-Altman analysis. The model trained on corrected data achieved higher Dice similarity scores in the subcutaneous fat and skeletal muscle than the model trained on uncorrected data, and it resulted in reduction in segmentation errors outside the regions of interest. The lightweight U-Net produced higher Dice similarity scores than the standard U-Net, and it resulted in reductions of the bias and limits of agreement in the visceral fat in Bland-Altman analysis. In conclusion, the use of TotalSegmentator without correction of segmentation errors still produced Dice similarity scores higher than 0.8 in all three regions of interest, but if one wants to improve segmentation performance and reduce segmentation errors outside the regions of interest, we recommend training the models with corrected segmentation masks. We also recommend using lightweight U-Net models, which are on par with standard U-Net models, in the device with limited computing resources.