Towards the automated segmentation of epicardial and mediastinal fats: A multi-manufacturer approach using intersubject registration and random forest

기술 요약: 심낭 및 종격동 지방의 자동 분할을 위한 연구

문제 제기
관상동맥 석회화, 심방 세동, 경동맥 경직도 등 다양한 심혈관 위험 인자와 상관관계가 있는 심장 지방 조직, 특히 심낭 지방과 종격동 지방의 정량화는 임상적으로 중요합니다. 일반적인 체지방과 달리 심장 지방은 대상자의 전체 비만도와 무관하게 독립적으로 변하므로, 특정 정량 분석이 필요합니다. 자기공명영상 (MRI) 이나 초음파심장검사보다 공간 해상도가 우수한 컴퓨터 단층촬영 (CT) 이 이 작업에 적합하지만, 수동 분할은 관찰자 간 및 관찰자 내 변이가 매우 큽니다. 기존 자동화 또는 반자동화 방법은 성공률이 낮거나, 상당한 사용자 개입 (예: 제어점 배치) 이 필요하거나, 다양한 CT 제조사 간에 견고성이 부족하다는 한계를 보입니다. 본 연구는 최소한의 사용자 개입으로 표준 관상동맥 석회화 점수 CT 스캔에서 심낭 지방과 종격동 지방을 모두 분할할 수 있는 완전 자동화되고 재현 가능한 방법의 필요성을 해결합니다.

방법론
제안된 접근법은 두 가지 주요 단계로 구성됩니다: 대상 간 이미지 등록 및 분류 기반 분할.

1. 대상 간 등록 (Intersubject Registration):
   수동 랜드마크 배치 없이 다양한 환자 및 제조사 (Siemens 및 Philips) 간의 심장 위치를 표준화하기 위해, 저자들은 자율 등록 방법을 개발했습니다.

   • 아틀라스 구축: 10 명의 서로 다른 환자로부터 수동으로 정렬된 흉골 후부 (sternum 뒤쪽 영역) 슬라이스를 평균화하여 흉골 후부 아틀라스를 생성했습니다. 이는 지방 강도 범위 (0 HU 이상) 로 제한되었습니다.
   • 인식: 시스템은 아틀라스를 슬라이딩하고 가중 상호 정보량 (Weighted Mutual Information, WMI) 을 사용하여 유사성 점수를 계산함으로써 새로운 환자 슬라이스에서 흉골 후부 영역을 식별합니다.
   • 휴리스틱 확인: WMI 의 초기 70% 인식률을 개선하기 위해 휴리스틱 확인 방법이 도입되었습니다. 이 방법은 지방 저장소의 연속성을 확인하여 위치를 검증합니다. 중앙 직사각형 영역을 정의하고 좌하단 ($p_l$) 과 우하단 ($p_r$) 방향으로 두 점을 추적합니다. 결과적으로 생성된 "결합"선이 이미지 너비에 대한 특정 너비, 변위, 거리 기준을 충족하는 경우 위치가 유효하다고 간주됩니다. 이 조합으로 인식 성공률은 100% 로 향상되었습니다.
   • 변환: 흉골 후부 중심이 식별되면, 아핀 변환 (affine transformation) 을 적용하여 환자의 모든 슬라이스를 공통 중심점으로 이동시켜 심장의 위치를 정규화합니다.

2. 분류 기반 분할:
   등록 후, 분할은 지도 학습 기계 학습 접근법 (픽셀 분류) 을 사용하여 수행됩니다.

   • 정답 데이터 (Ground Truth): 두 명의 전문가 (물리학과 컴퓨터 과학자) 가 20 명의 환자 (1000 개 슬라이스) 에서 심낭 지방과 종격동 지방을 수동으로 분할하여 정답 데이터셋을 생성했습니다.
   • 특징 추출: 각 픽셀에 대해 다음을 포함한 특징 벡터를 구성했습니다:
     • 픽셀 회색조 레벨.
     • 절대 및 상대 (중심에 대한) 공간 좌표 ($x, y, z$).
     • 주변 윈도우 (예: 25x25 픽셀) 에서 파생된 텍스처 기반 특징으로, 산술 평균, 공분산 행렬 모멘트, 기하학적 모멘트, 런 비율, 회색조 불균일성, 그리고 매끄러운 변화 계수 (Coefficient of Smooth Variation, CSV) 가 포함됩니다.
   • 알고리즘 선택: Weka 라이브러리의 다양한 분류기를 평가했습니다. J48Graft 가 높은 정확도를 보였으나, 정확도와 분할 희소성 사이의 최적 균형을 이루는 알고리즘으로 랜덤 포레스트 (Random Forest) 를 선택했습니다.

주요 기여

• 완전 자동화 워크플로우: 이전 반자동화 접근법의 일반적인 병목 현상이었던 수동 제어점 또는 랜드마크 배치를 제거합니다.
• 다중 제조사 견고성: 이 접근법은 두 가지 다른 제조사 (Siemens 및 Philips) 의 CT 데이터에서 검증되어 다양한 획득 프로토콜에 대한 적응성을 입증했습니다.
• 이중 조직 분할: 심낭 지방에만 초점을 맞춘 많은 이전 연구와 달리, 본 방법은 심낭과 종격동 지방을 동시에 분할하며 심낭 경계를 기반으로 이를 구분합니다.
• 공개 정답 데이터: 저자들은 수동으로 분할된 심장 CT 이미지와 해당 특징 데이터의 공개 가능 데이터셋을 제공하여, 해당 분야에서 표준화된 벤치마크가 부족했던 문제를 해결했습니다.

결과
이 방법은 20 명의 환자에서 파생된 약 3GB 크기의 데이터셋을 사용하여 평가되었습니다. 성능은 66% 분할 및 10 교차 검증 테스트 모드를 사용하여 평가되었습니다.

• 정확도: 심낭 및 종격동 지방 분할의 평균 정확도는 **98.4%**였습니다.
• 진양성률: 평균 진양성률은 **96.2%**였습니다.
• Dice 유사도 지수: 평균 Dice 유사도 지수는 **96.8%**였습니다.
• 비교: 기존 문헌 (예: Shahzad 등 89.15% Dice, Ding 등 93.0% Dice) 과 비교할 때, 본 연구는 더 높은 Dice 점수 (66% 분할에서 심낭 지방 97.9%) 를 달성했으며, 완전 자동화 방법 중 100% 성공적인 자동 분할률 (82/82 사례) 을 보였습니다. 반면 다른 완전 자동화 방법들은 더 낮은 성공률을 보이거나 이 지표를 제공하지 않았습니다.

의의 및 한계
본 논문은 대상 간 등록과 랜덤 포레스트 분류의 통합이 심장 지방의 자동 정량을 위한 견고한 해결책을 제공하며, 심장 CT 시험의 예후 가치를 향상시키고 관찰자 변이를 줄일 수 있다고 주장합니다. 저자들은 분석에서 랜덤 포레스트 알고리즘이 신경망 및 기타 함수 기반 분류기보다 우수했다고 언급했습니다.

그러나 저자들은 처리 시간이라는 중요한 한계를 겸손하게 인정합니다. 표준 개인용 컴퓨터 (듀얼 코어, 4GB RAM) 에서 알고리즘은 광범위한 특징 추출과 대규모 데이터셋 크기로 인해 단일 환자의 완전한 분할에 몇 시간이 소요됩니다. 저자들은 향후 연구가 가장 중요한 속성만 선택하기 위해 광범위한 특징 평가를 수행하여 데이터셋 크기를 줄이고 분류 단계를 가속화해야 한다고 제안합니다.