# 세줄 요약 #
- 목적: 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.
- 방법: 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.
- 결론: 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.
# 상세 리뷰 #
1. Introduction
- CT 영상에서 폐암 검진을 할때 CAD를 CT screening 절차에 포함시켜 사용하면, 에러를 줄이고 작업 효율을 올리는 것에서 긍정적인 개선을 보였기에, 그동안 CAD는 주로 고형 결절(solid nodule)을 검출하는데 사용되었으나, 사실 부분고형 결절(Subsolid Nodule; 이하 SSN)이 임상적으로는 훨씬 중요하다. (그 이유는 악성으로 발전할 가능성이 고형 결절보다 높기 때문이다. 실제로 SSN의 악성 발현률은 ~9.4%).
- 이러한 SSN을 CAD에서 검출할때 CT section thickness에 영향을 많이 받아(thickness가 두꺼우면 대조가 낮은 영역에서 해상도가 감소하고, 3차원 상에서 볼륨 또한 낮은 해상도로 인해 뭉쳐져서 검출이 어려워짐), CT thickness가 3, 5mm일때보다 1mm일 때 성능이 좋은데, 문제는 3, 5mm CT 영상이 실제 임상환경에서는 훨씬 흔하게 촬영된다는 것이다!
- 따라서 이번 논문의 목표는 CAD의 CT thickness에 따른 SSN의 검출 성능을 비교하고, 딥러닝 기반의 초해상도(super-resolution) 알고리즘을 적용하여 1mm thickness로 변형된 (원래 3 or 5mm thickness를 가졌던) high thickness CT 영상의 개선된 SSN 결절 성능을 조사하는 것이다.
2. Methods
- 데이터셋: 데이터는 후향적으로 아산병원의 EMR(electronic medical records)을 조사하여, 2018.03~2018.12월까지의 환자 중에서 lung adenocarcinoma를 치료를 위해 절제 수술 받은 환자들을 대상으로 하였고, 그 중에서 3가지 조건을 만족하는 환자들을 SSN 그룹으로 묶어 308명과 이와 대조되는 통제 그룹 182명을 찾았다(* 3가지 조건: contrast-enhanced chest CT를 1, 3, 5mm thickness 모두 가진 환자들, SSN을 가진 환자들, 평균 결절 크기가 6mm~3cm 사이인 환자들).
- CAD: 연구에 사용한 CAD 제품은 "VUNO Med-LungCT AI"이며, 각 Section Thickness(1,3,5mm)별로 SSN을 검출하는 목적이며, 딥러닝 기반의 Super-resolution 알고리즘도 적용되어 3mm, 5mm thickness CT에 대해서는 초해상도 변환 후에 SSN을 다시 검출하였다.
- 연구방법: 먼저 Ground-Truth는 두명의 영상의(radiologists)가 CT영상과 병리영상을 참고하여 판독하였으며, CAD 판독결과의 리뷰는 한명의 영상의가 진행하여 CAD가 찾은 노듈이 ground-truth와 annotation이 중첩하는 경우에는 진양성(true-positive), 그외 CAD가 찾은 결절들은 위양성(false-positive)으로 분류하거나 (SSN이 아닌 경우) 결과 분석에서 제외하였고, 이렇게 얻은 결과들은 각 섹션별 영상(1,3,5mm)과 초해상도 변환 후 영상(3,5mm) 모두에 대해 "jackknife alternative free response receiver operating characteristic (이하 JAFROC)" 기법 등으로 분석하여 SSN 검출에 대한 CAD의 성능을 검증하였다.
3. Results
- Slice thickness에 따른 CAD의 SSN 검출 성능: 먼저 병변 기준으로 구한 CAD의 검출 민감도는 각각 1mm (92%), 3mm (86.3%), 5mm (79.2%)로 thickness가 작을수록 성능이 더 좋아지는 결과가 나왔고, 환자 기준으로 구한 검출 민감도는 1mm (97.4%), 3mm (95.8%), 5mm (93.2%)로 모두 높게 나왔으며(그 외에도 결절 종류(part-solid or non solid)나 작은 결절(<= 1cm) 등에서도 성능 검증; * Table 2 참고), 위양성 비율은 반대로 CT 영상 하나당 각각 1mm (1.1개), 3mm (0.7개), 5mm (0.4개)로 thickness가 작을수록 더 많이 나오는 결과를 얻었다 (* Table 4 참고).
- Slice thickness에 따른 CAD의 figure of merit: figure of merit은 SSN 결절이 없는 통제 그룹에서 나온 가장 높은 확률값(Probability)의 위양성보다 더 높은 확률값을 가지는 SSN 그룹에서 결절들만으로 JAFROC 그려 성능을 얻은 것으로, 각각 1mm (0.92), 3mm (0.90), 5mm (0.89)의 결과를 얻었으며, 이번에도 추가로 결절 종류(part-solid or non solid)나 결절 사이즈(<= 1cm or > 1cm)별로 각각의 성능을 구하였다 (* Table 3 참고).
- 딥러닝 기반의 초해상도(Super-resolution) 알고리즘으로 변환된 CT에서의 CAD의 SSN 검출 성능: 초해상도 변환(3, 5mm -> 1mm)을 거친 결과, 3mm 영상은 변환 전후로 검출 민감도가 86.3%에서 91.6%로 크게 상승하여 1mm 영상과 거의 비슷한 성능을 보였고, 5mm 영상에서도 변환 전후 검출 민감도가 79.2%에서 88.9%로 3mm 영상만큼은 아니지만 높은 성능 향상을 보였으나 (*Table 2 참고), 한가지 아쉬운 점은 위양성 비율은 변환 후에 각각 3mm (0.7 -> 1.0), 5mm (0.4 -> 0.9)로 더 올라가는 현상을 보였다 (*Table 4 참고).
* Reference: 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.
댓글