[JR3] Deep Learning for Lung CT Slice Thickness Reduction

Journal Review in 3 lines: Deep Learning for Lung CT Slice Thickness Reduction

[Since 2020]

1. Hamabuchi, Nayu, et al. "Effectiveness of deep learning reconstruction on standard to ultra-low-dose high-definition chest CT images." Japanese journal of radiology 41.12 (2023): 1373-1388.

 

2. Wu, Shuqiong, et al. "Computed Tomography slice interpolation in the longitudinal direction based on deep learning techniques: To reduce slice thickness or slice increment without dose increase." Plos one 17.12 (2022): e0279005.

 

3. Park, Sohee, et al. "Computer-aided detection of subsolid nodules at chest CT: improved performance with deep learning–based CT section thickness reduction." Radiology 299.1 (2021): 211-219.

• 연구 목적(Research Purpose): CT section Thickness에 따라 CAD(Computer Aided Diagnosis)의 SSN(subsolid nodules) 검출 성능을 비교해보고, 딥러닝 기반의 super-resolution 기술을 적용하여 CT section Thickness를 변화시켰을 때 검출 성능이 향상되는지를 확인하는 것이 연구 목표이다.
• 연구 방법(Materials & Methods): Lung CT 영상은 thick setction에 따라 각각 1, 3, 5mm 영상들을 모두 가진 환자들의 데이터를 모았으며(SSN은 6~30mm 이내의 결절들만 ground-truth로 레이블링), 각 thick setction에 따라 CAD로 검출을 시키고 추가로 3, 5mm thickness 영상들은 1mm thickness로 super-resolution 시킨 후에 한번 더 CAD로 검출시켰다.
• 연구 결과(Results & Conclusion): CAD로 검출하여 성능을 비교해본 결과, 1mm thickness에서 SSN 검출 성능이 가장 뛰어났으며(part-solid보다는 nonsolid nodules에서 특히 성능 차이가 컸음), 딥러닝 기반의 super-resolution 알고리즘을 적용하자 3, 5mm thickness 영상의 CAD 성능도 향상되는 것을 확인하였다.

# Jouranal Review: https://pulsar-kkaturi.tistory.com/entry/Park-et-al-2021-Computer-aided-Detection-of-Subsolid-Nodules-at-Chest-CT-Improved-Performance-with-Deep-Learning-based-CT-Section-Thickness-Reduction

Park et al., 2021, Computer-aided Detection of Subsolid Nodules at Chest CT: Improved Performance with Deep Learning-based CT Se

 

[Since 2015]

4. Park, Sohee, et al. "Deep learning algorithm for reducing CT slice thickness: effect on reproducibility of radiomic features in lung cancer." Korean journal of radiology 20.10 (2019): 1431-1440.

• 연구 목적(Research Purpose): 폐암의 영상학적 특징(Radiomic features; RFs)이 CT Slice Thickness에 따라 잘 나타나는지 확인한 후에, 딥러닝의 기반의 합성곱 신경망(Convolutional Neural Network; CNN)을 사용한 초해상도(Super-resolution; SR) 알고리즘이 CT Slice Thickness를 복원했을 때 RFs도 함께 잘 재현되는지를 확인하고자 한다.
• 연구 방법(Materials & Methods): 데이터셋은 후향적으로 2017년 7월~12월 사이의 병리학적으로 판독된 폐암을 가진 폐 CT 영상 100 례를 모았으며, CT Slice Thickness 1, 3, 5mm 각각 모두 수집하였다. 그후 CNN 기반의 SR 알고리즘으로 3, 5mm Slice Thickness 영상은 1mm로 변환하여 100례에서 얻은 총 702개의 RFs (tumor intensity, texture, wavelet)들의 1mm, 3mm, 5mm, SR 3mm(->1mm), SR 5mm(->1mm) Slice Thickness에 따른 각각의 concordance correlation coefficients (CCCs)를 평가하였다.
• 연구 결과(Results & Conclusion): 1mm vs 3mm, 1mm vs 5mm, 3mm vs 5mm 모두 평균 CCCs 지표는 각각 0.41, 0.27, 0.65 (p value < 0.001)로 모두 낮았으며, 재현성이 높은 RFs들도(CCCs > 0.85 넘는 케이스들) 거의 존재하지 않았습니다(각각 3.6%, 1.0%, 21.5%). 그러나 SR 알고리즘 적용 후(SR 3mm: 3->1, SR 5mm: 5->1)에는 평균 CCCs가 0.58, 0.45, 0.72로 모두 상승하였으며, 재현성이 높은 RFs들의 비율 또한 상승하여(각각  36.3%, 17.4%, 36.9%), 폐암의 RFs 재현성을 개선하기 위해 SR 알고리즘을 사용하여 Slice Thickness를 높이는 딥러닝 기술은 효과가 있음을 보였습니다.

Figure 2 in Park et al., 2019.

 

5. Setio, Arnaud Arindra Adiyoso, et al. "Validation, comparison, and combination of algorithms for automatic detection of pulmonary nodules in computed tomography images: the LUNA16 challenge." Medical image analysis 42 (2017): 1-13.

• 폐암 검진의 중요성: 폐암은 미국에서 사망한 암환자 중에서 27%를 차지할 정도로 치명적인 암이기에, 미국을 시작으로 여러 국가에서 low-dose (저선량) CT를 사용한 국가폐암검진 사업이 시작되었다. 이로 인해 영상의학의들이 진단해야할 영상이 너무 많아져서 Computer Aided Detection (CAD) 시스템 개발이 중요해졌다. 보통 이러한 CAD의 기본 구조는 1) 전처리, 2) 결절 후보 탐지(nodule candidate detction: 일단 민감도를 높여 위양성을 무시하고 최대한 많은 결절 탐지), 3) 위양성 추출(false positive reduction: 위양성들을 제거함으로서 최종 결절들만 추려냄)로 이루어진다(*당연히도 2번과 3번의 경우 최근 우수한 성능을 내고 있는 딥러닝 기법이 적용 중이다).
• 폐결절 CAD 알고리즘 비교 연구의 부재: 그러나 문제는 동일한 데이터셋에서 여러 알고리즘을 비교 분석하는 연구는 부족했는데, 그 이유는 폐 저선량 CT영상을 대규모로 모아서 오픈 데이터셋으로 공개하고, 개발된 알고리즘들을 한 곳에 모아 동일한 검증 지표로 분석하는 것이 어렵기 때문이다. 이러한 개념을 구현한 최초의 폐결절 탐지 알고리즘 비교 연구인 "ANODE09"의 경우, 단일 기관에서 50개의 데이터셋만 모았고, 악성 가능성이 높은 큰 결절도 부족하였기에 아쉬운 점이 많은 연구였다.
• LUNA 2016 챌린지의 목적: 따라서 이 논문에서 결과를 정리한 프로젝트인 LUNA 2016 챌린지의 핵심은 두가지이다. (1) 공개된 오픈 데이터셋인 LIDC-IDRI 데이터셋에서 888개의 스캔을 학습용과 검증용으로 함께 제공한다. (2) 결절 후보 탐지(nodule candidate detection)와  위양성 추출(false positive reduction) 두가지 알고리즘을 공개된 웹 프레임워크에서 함께 비교 분석하고, 이렇게 개발된 알고리즘들을 결합(*머신러닝에서 흔히 쓰는 기법으로 ensemble이라고 한다)하여 더욱 우수한 성능을 얻는다. 이렇게 챌린지를 통해 개발된 CAD가 새롭게 찾아낸 결절들은 LIDC-IDRI 정답지(annotation)에 업데이트할 계획이다.

Figure 1 in Setio et al., 2017.