복부 전산화단층촬영 영상에서 인공지능을 이용한 자동 L3 level 탐색모델

Abstract

연구배경 근감소증 연구의 중요성이 대두되며 복부 전산화 단층 촬영영상에서 근육량을 정량적으로 분석해야하는 증례의 수 역시 가파르게 증가하고 있다. 이러한 정량적 측정의 자동화에 있어 가장 첫번째 만나는 장애물은 연구에 적절한 단면영상을 선택하는 단계로 세번째 요추(L3)의 아래쪽 끝단이 연구에 적절한 단면으로 알려져 있다. 척추변이는 보고에 따라 일반인구의 4-30% 정도에서 보이는 것으로 알려져 있으며 이러한 척추의 변이는 정확한 L3 CT slice선택에 고려되어야 하는 중요한 인자 중 하나이다.

연구목적 본 연구에서는 L3 CT slice를 선택하여 근육량을 측정하는 완전 자동화 인공지능모델을 개발하고 임상적으로 검증하고자 한다. 연구방법 L3 slice selection 모델은 YOLOv-3 를 기반으로 하는 모델로 L3SEG-net으로 명명하였다. 이 과정 후 FNC을 기반으로 하는 또 다른 인공지능 모델을 연결하여 근육과 내장/피하 지방을 분할하였다. 이 두 과정은 수행자의 개입없이 자동으로 이어져 하나의 모델로 구동될 수 있도록 개발하였다. 총 922명의 환자에서 1496개의 복부 전산화단층촬영영상을 developmenta dataset으로 사용하였으며 이를 8:2로 분할하여 training 및 tunning set으로 활용하였다. 검증을 위한 dataset은 서울아산병원에서 추출한 internal validation dataset (n=496) 과 서로 다른 세 개 병원에서 추출한 external validation dataset (n=586) 으로 구성하였다. 요추에 수술로 인한 하드웨어 있는 환자는 dataset에서 제외하였다. 인공지능 모델에서 선택한 level과 ground truth level과의 차이를 mm 단위로 계산하였고 10mm 이하를 technical success로 정의하였다. 전반적은 분할의 정확성는 cross sectional area error로 평가하였다. 척추변이에 따른 인공지능모델의 성능 역시 평가하였다. 연구결과 전체 dataset에서 인공지능모델의 정확도는 모델이 선택한 level과 ground truth 사이 거리3.7±8.4 mm 에서 4.1±8.3 mm로 통상 5mm thickness로 촬영하는 전산화단층촬영에서 CT slice 1장이하의 오차를 보였다. Technical success rates는 93.1% 에서 92.3% 로 높았다. 척추변이가 있는 군을 따로 떼서 결과를 얻었을 때 distance differencess는 12.4±15.4 mm 에서 12.1±14.6 mm로 증가하였으며 technical success rates는 67.2% 에서 67.9% 로 감소하다. 전체 dataset에서 근육량segmentation의 accuracy는 anatomic variation과 관계없이 우수한 결과를 보여 CSA error 값은 1.38–3.10 cm2로 측정되었다. 결론 L3 selection과 복벽의 근육량 측정을 측정하는 완전 자동화 인공지능모델이 개발되었고 실제 연구에 사용가능 한 performance를 보였다.