Cesarean Scar Defect Segmentation in Transvaginal Ultrasound Images: a Dataset and Benchmark

기술 요약: 경질 초음파 영상에서의 제왕절개 흉터 결손 분할

문제 제기
제왕절개 흉터 결손 (CSD) 은 제왕절개 분만 후 불완전한 치유로 인해 전방 자궁벽에 발생하는 지속적인 니치 (niche) 또는 함몰부이며, 제왕절개 이력이 있는 여성 약 60% 에게서 발생하는 흔한 합병증입니다. 잔존 자궁근층 두께가 3mm 미만인 중증 결손은 증상성 질환 (예: 월경 후 출혈, 만성 골반통) 과 심각한 산과적 위험 (예: 자궁 파열, 태반 박착) 을 초래할 수 있지만, 정확한 진단은 여전히 어렵습니다. 경질 초음파 (TVUS) 는 접근성과 비침습성으로 인해 표준적인 1 차 선별 검사 도구로 사용되지만, CSD 병변의 작은 크기, 불규칙한 형태, 낮은 대비, 그리고 검사자 의존성과 제한된 임상적 인식으로 인해 신뢰할 수 있는 식별이 방해받고 있습니다. 의료 영상 분야에서의 딥러닝 발전에도 불구하고, 중요한 격차가 존재합니다. 즉, 자동화 진단 도구 개발을 제한하는 경질 초음파 CSD 분할을 위한 공개된 데이터셋이 없다는 점입니다.

방법론
이러한 데이터 부족 문제를 해결하기 위해 저자들은 전문적인 CSD 데이터셋 구축을 포함한 포괄적인 단일 기관 후향적 코호트 연구를 제시합니다.

• 데이터 수집: 본 연구는 국제평화모자보건병원 (IPMCH) 의 익명화 데이터를 활용했습니다. 포함 기준은 22~45 세 여성 중 유의미한 자궁 천공 (깊이 ≥ 자궁근층 두께의 50%, 잔존 두께 ≤3mm) 을 가지고 있으며 활발한 출산 희망을 가진 여성에 초점을 맞추었습니다. 원시 데이터는 표준화된 초음파 장비 (Philips iU-22, Samsung W10, Mindray Resona R9) 를 사용하여 획득되었으며, 1,111 개의 정적 이미지와 16 개의 동적 비디오 시퀀스를 산출했습니다.
• 주석 프로토콜: 경험 많은 초음파 전문의와 훈련된 박사 과정 학생이 참여하는 엄격하고 협력적인 주석 프레임워크를 수립했습니다. 이 과정은 표준화된 임상 지침을 따랐습니다:
  1. 초음파 전문의가 박사 과정 학생들에게 CSD 존재 및 영역 식별을 지도했습니다.
  2. 정적 이미지의 경우 Labelme 를, 비디오 시퀀스의 경우 Pair 를 사용하여 주석을 수행했습니다.
  3. 다단계 검증 과정을 통해 검사자 간 일관성을 확보했으며, 각 샘플은 두 명의 박사 과정 학생이 논의한 후 초음파 전문의가 검토하고 수정했습니다.
• 데이터 전처리: 중복성을 줄이기 위해 16 개의 비디오 시퀀스에서 10 번째 프레임마다 추출했습니다. 관심 영역 (ROI) 을 둘러싼 불필요한 디지털 정보를 제거하기 위해 반자동 크롭 알고리즘을 적용했습니다. 초기 1,309 개의 샘플 중 확인된 CSD 를 가진 501 개의 고품질 양성 샘플과 정밀한 픽셀 단위 수동 주석이 포함된 샘플을 최종 데이터셋으로 선정했습니다.
• 데이터셋 구조: 데이터셋은 Pascal VOC 형식으로 구성되어 있으며, 원본 JPEG 이미지, 해당 PNG 분할 마스크, 그리고 학습/테스트 분할을 정의하는 텍스트 파일이 포함되어 있습니다.

주요 기여

1. 최초 공개 CSD 데이터셋: 본 논문은 1,111 개의 이미지와 16 개의 비디오에서 파생된 픽셀 단위 주석이 포함된 501 개의 양성 샘플로 구성된 경질 초음파 CSD 분할을 위한 최초의 공개 데이터셋을 소개합니다.
2. 벤치마킹 프레임워크: 저자들은 5 교차 검증 프로토콜을 사용하여 데이터셋에서 4 가지 최첨단 의료 영상 분할 아키텍처 (UNet, DeepLabV3+, GCNet, Swin-UNet) 를 평가함으로써 벤치마크를 제공합니다.
3. 표준화된 주석: 본 연구는 다학제적 협력을 통한 재현 가능한 주석 파이프라인을 수립하여 임상 지침을 준수하는 고품질의 정답 (ground truth) 을 보장합니다.

결과
기술적 검증은 Dice 계수, 정밀도 (Precision), 재현율 (Recall), 교차율 (IoU), 그리고 95 백분위수 하우스도르프 거리 (HD95) 를 사용하여 수행되었습니다.

• 성능 지표: 5 개 폴드 전반에 걸쳐 평균 Dice 계수는 74.03%(Swin-UNet) 에서 75.92%(DeepLabV3+) 까지 다양했습니다. IoU 점수는 70.44% 에서 72.12% 범위였습니다.
• 최고 성능 모델: DeepLabV3+ 가 Dice 75.92 ± 2.99% 및 IoU 72.12 ± 3.06%로 최고 성능을 달성했습니다.
• 오류 분석: 정밀도는 78% 에서 88% 사이에서 변동했는데, 이는 얇고 불규칙한 CSD 가장자리를 배경과 구별하는 데 어려움이 있음을 반영합니다. 그러나 재현율은 견고하게 유지되었습니다 (최소 폴드 평균 78%), 병변 누락이 주요 실패 모드가 아님을 나타냅니다.
• 경계 정확도: HD95 거리는 일관되게 9 볼륨 (voxel) 미만이었으며 (최고 결과: GCNet 의 6.60 ± 1.90 mm), 예측된 경계가 전문가 추적에 비해 임상적으로 허용 가능한 오차 범위 내에 있음을 확인했습니다.
• 안정성: 폴드 간 낮은 표준 편차는 모델 성능의 안정성을 나타내며, 데이터셋 크기가 견고한 학습에 충분함을 시사합니다.

의의
본 논문은 이 데이터셋이 산부인과 초음파를 위한 의료 영상 분할 알고리즘 발전을 위한 기초 자원으로 기능한다고 주장합니다. 고품질의 표준화된 주석을 제공함으로써, 본 연구는 다음과 같은 목표를 지향합니다:

• 의료계의 CSD 특성에 대한 이해를 증진합니다.
• 인간의 시각적 탐지로 놓칠 수 있는 정량적 특징과 미묘한 패턴을 드러낼 수 있는 자동 분석 도구 개발을 지원합니다.
• 진단 효율성과 재현성을 향상시켜, 최종적으로 생식 연령대 여성의 위험 계층화 및 치료 계획 수립에 기여합니다.
• 의료 영상 분석의 더 넓은 분야에서 CSD 분할을 새로운 작업으로 정립하여, 제왕절개 후 생식 건강을 위한 AI 기반 임상 혁신에 대한 향후 연구를 촉진합니다.