Landmark-free Assessment of Lower-limb Alignment with Implicit Neural Shape Functions from Knee Radiographs

기술 요약: 암시적 신경 형상 함수를 이용한 랜드마크 프리 하지 정렬 평가

문제 정의
방사선학적 하지 정렬(lower-limb alignment, LLA) 평가는 인공 슬관절 전치환술(total knee arthroplasty, TKR)에서 관절 건강과 수술 결과를 예측하는 데 매우 중요합니다. 전통적인 방식은 수동 측정을 기반으로 하며, 이는 시간이 많이 소요됩니다. 최근의 머신러닝 접근 방식들은 이 과정을 자동화했지만, 일반적으로 정렬 각도(예: 해부학적 경골-대퇴 각도, aTFA)를 계산하기 위해 고정된 일련의 해부학적 랜드마크를 탐지하는 데 의존합니다. 이러한 랜드마크 의존성은 모델의 유연성을 제한합니다. 즉, 임상적 정의가 변경되면 주석(annotation) 프로토콜을 재정의해야 하며, 모델을 다시 학습시켜야 할 수도 있습니다. 또한, 랜드마크 기반 모델은 해부학적 표현을 연속적인 형상이 아닌 이산적인 점들로 제한합니다.

방법론
저자들은 무릎 방사선 사진으로부터 명시적인 랜드마크 좌표에 의존하지 않고 직접 LLA를 평가하기 위해 **암시적 신경 형상 함수(Implicit Neural Shape Functions, INSF)**를 사용하는 자동화된 워크플로우를 제안합니다. 이 프레임워크는 다음 단계들을 통해 작동합니다:

1. 데이터 전처리 및 정렬:

   • 입력 이미지는 표준 전후방(AP) 무릎 방사선 사진입니다.
   • CNN 기반 형상 정렬기(Hourglass 아키텍처)가 경골 플랫폼 모서리에서 두 개의 참조점을 탐지하여 모든 이미지를 표준 공간(canonical space)으로 정렬합니다.
   • 방사선 사진에서 절단된 골간(bone shaft) 문제를 해결하기 위해, 저자들은 추정된 골간 접선(tangent)을 따라 이미지 가장자리 방향으로 절단된 대퇴골 및 경골 윤곽을 수동으로 확장했습니다. 이는 모델이 일관된 골간 기하 구조를 학습하도록 보장합니다.

2. SDF 예측:

   • U-Net을 훈련시켜 정렬된 이미지로부터 부호 거리 함수(Signed Distance Functions, SDF)를 예측합니다. 출력은 대퇴골과 경골 윤곽을 나타내는 별도의 두 채널로 구성된 부호 거리 맵입니다.

3. 암시적 형상 표현 학습:

   • 핵심 방법론은 **SIREN 기반 오토 디코더(auto-decoder)**를 사용하여 압축된 잠재 형상 표현을 학습하는 것입니다.
   • 랜드마크를 예측하는 대신, 모델은 뼈의 기하 구조를 잠재 벡터($z$)로 인코딩합니다. 다층 퍼셉트론(MLP) 디코더는 공간 좌표($x$)와 잠재 벡터($z$)를 부호 거리 값($d$)으로 매핑하며, 여기서 $d < 0$은 뼈 내부, $d > 0$은 외부, $d = 0$은 표면을 정의합니다.
   • 훈련은 고주파 기하학적 세부 사항을 포착하도록 설계된 **Signed Focal L1 손실(loss)**을 사용하여 네트워크 가중치($\theta$)와 잠재 코드($z$)를 공동 최적화하는 방식으로 진행됩니다.

4. 테스트 시 최적화 및 회귀:

   • 잠재 코드 최적화: 새로운 테스트 이미지에 대해, U-Net은 초기 SDF를 예측합니다. 이후 생성된 SDF와 U-Net의 예측 사이의 focal loss를 최소화하는 특정 잠재 벡터($z$)를 찾는 최적화 과정이 수행됩니다.
   • LLA 회귀: 최적화된 잠재 벡터는 단순한 4개 층의 MLP에 입력되어 각도 측정값(aTFA, aMPTA, JLCA)을 직접 회귀합니다. 이는 중간 랜드마크 좌표로부터 각도를 계산하는 과정을 우회합니다.

주요 기여

• 랜드마크 프리 프레임워크: 무릎 방사선 사진의 자동화된 LLA 평가를 위해 암시적 신경 형상 함수를 적용한 첫 번째 사례입니다. 이 방법은 전역적인 해부학적 구조를 잠재 공간에 인코딩하여, 미리 정의된 랜드마크 정의에 대한 의존성을 제거합니다.
• 유연한 확장성: 이 아키텍처는 백본 표현을 변경하지 않고도 새로운 측정 작업에 빠르게 적응할 수 있도록 허용합니다. 이는 모델이 특정 점의 위치가 아닌 형상 특징을 학습하기 때문입니다.
• 골간 확장 전략: 저자들은 절단된 골간을 확장하는 전처리 단계를 도입하여, 더 많은 골간 해부학적 정보를 포함하는 것이 특히 aTFA 측정 정확도를 향상시킨다는 것을 입증했습니다.
• 잠재 공간 해석 가능성: 연구에서는 잠재 차원과 임상 각도 간의 상관관계를 분석하였으며, 특정 차원(예: 차원 116)이 자세 관련 정보와 뼈의 위치를 포착하여 aTFA 및 JLCA와 강하게 상관되어 있음을 보여주었습니다.

결과
본 방법은 내부 데이터셋(훈련 566건, 테스트 566건)과 외부 데이터셋(MRKR 데이터셋 402건)에서 평가되었습니다.

• 내부 검증: 제안된 방법은 최첨단 랜드마크 기반 방법 및 수동 검사자 간 일치도와 유사한 성능을 달립다.
  • 정형외과 전문의의 그라운드 트루스에 대한 aTFA의 경우: 평균 절대 차이(MAD) = 1.2°, 급내 상관 계수(ICC) = 0.97.
  • 골간 확장을 포함했을 때, 전문의의 측정값 대비 MAD는 1.8°에서 1.2°로 감소하고 ICC는 0.94에서 0.97로 개선되어 결과가 크게 향상되었습니다.
• 외부 검증: MRKR 데이터셋에서 본 방법은 aTFA에 대해 랜드마크 기반 베이스라인과 유사한 성능을 보였으나, aMPTA 및 JLCA에 대해서는 베이스라인 및 수동 검사자 간 일치도보다 약간 낮은 수치적 성능을 보였습니다.
• 통계적 유의성: 통계적 검정(Two One-Sided Tests) 결과, 제안된 방법, 베이스라인, 그리고 수동 일치도 사이의 MAD 차이는 ±1° 임계값 내에서 통계적으로 유의미하지 않았습니다 (모두 $p < 0.0001$).

의의 및 주장
본 논문은 암시적 신경 표현이 LLA와 관련된 변이를 성공적으로 포착하며, 랜드마크 기반 모델에 대한 유연한 대안을 제공한다고 주장합니다. 주요 의의는 형상 표현의 유연성에 있으며, 이는 랜드마크의 재주석(re-annotation) 없이도 추가적인 측정 작업으로 확장될 수 있습니다. 이는 전통적인 점 기반 모델을 적용하기 어려운 진화하는 임상 정의에 특히 가치가 있습니다.

저자들은 훈련 타겟이 랜드마크 기반 주석으로부터 도출되었다는 점을 언급하며, 이것이 본질적으로 랜드마크 중심의 접근 방식을 선호하게 만들 수 있다는 한계를 겸허히 인정합니다. 그들은 향-후 연구가 랜드마크로부터 쉽게 유도될 수 없는 측정을 회귀하는 데 집중하여, 랜드마크 프리 방식의 이점을 완전히 입증해야 한다고 제안합니다. 또한, 외부 데이터셋에서의 일반화 성능 저하는 내부 코호트와 외부 코호트 간의 인구통계학적 차이(예: 연령 및 인종)에 기인한 것으로 보고 있습니다.