소장에 발생하는 카르시노이드 종양은 드물어, CT(Computed Tomography) 스캔을 이용한 검출 모델 학습을 위해 크기가 다양한 병변을 충분한 규모로 수집하는 데 어려움이 있다. 이러한 희소성은 특히 비교적 작은 종양 또는 큰 종양에서의 검출 성능에 부정적인 영향을 미친다. 이를 해결하기 위해, 우리는 과소대표된 종양 크기를 선택적으로 증강할 수 있어 검출 성능을 향상시키는 새로운 영상 합성 방법을 제안한다. 본 방법은 종양 분할 모델과 크기 인지 손실(size-aware loss)을 학습 과정에 통합함으로써, 크기 제어가 가능한 종양 생성 기능을 제공한다. 구체적으로, 입력 노이즈 벡터의 한 차원을 합성된 종양의 크기를 제어하는 데 지정한다. 원하는 크기로 생성된 종양을 CT 영상에 이식하여 종양 검출 네트워크의 학습 데이터를 풍부하게 한다. 우리의 방법은 기준 합성 방법과 비교하여 시각적 현실감은 유사하게 유지하면서도, 더 뚜렷한 크기 구분을 갖는 종양을 생성한다. 시각적 튜링 테스트(visual Turing test)에서 인간 관찰자들은 합성 종양과 실제 종양을 신뢰성 있게 구별하지 못했다. 자유응답 수신자 조작특성(free-response receiver operating characteristic, FROC) 곡선을 통한 병변 수준 평가에서는, 학습 시 합성 종양을 포함했을 때 검출 성능이 향상되었으며(P=0.04), 본 방법은 소장 카르시노이드 종양과 같은 희귀 종양의 검출을 개선하는 유망한 방향을 제시한다.

배경: 소장 카르시노이드 종양은 드문 신생물이며 발생 빈도가 증가하고 있다. 소장 카르시노이드 종양 환자는 모호한 증상, 종양의 느린 성장, 그리고 임상의의 인지 부족으로 인해 진단이 지연되는 경우가 흔하다. 컴퓨터단층촬영(CT)은 소장 카르시노이드 종양 진단을 위한 가장 일반적인 영상검사이다. CT는 카르시노이드 종양의 해부학적 및 기능적 양상을 포착하기 위해 양전자방출단층촬영(PET)과 함께 자주 사용되어 민감도를 높이는 데 기여한다. 목적: 우리는 CT 영상에서 소장 카르시노이드 종양을 자동으로 탐지하기 위한 세 가지 서로 다른 방법을 비교하였으며, 이는 본 연구진의 지식으로는 최초의 시도이다. 방법: F-DOPA PET 영상 및 이에 대응하는 방사선학적 판독 보고서를 사용하였다. 이러한 영상은 trainval 세트(n = 24)와 test positive 세트(n = 9)로 분할하였다. 또한 종양의 증거가 없는 22명의 개별 환자에 해당하는 22개 CT 영상을 수집하여 test negative 세트를 구성하였다. 우리는 탐지 네트워크, 패치 기반 분류, 그리고 분할 기반 방법의 세 가지 서로 다른 탐지 방법을 비교하였다. 아울러 각 방법에서 위양성(FP) 감소를 위한 소장 분할의 유용성을 조사하였다. 병변 수준과 환자 수준 평가에는 각각 자유반응형 수용자특성운영특성(FROC) 곡선과 수용자특성운영특성(ROC) 곡선을 사용하였다. FROC 및 ROC 곡선을 비교하는 통계 분석도 수행하였다. 결과: ). 환자 수준 탐지에서는, 소장 분할 기반 필터링을 적용한 탐지 네트워크 방법이 가장 높은 AUC 0.86을 달성하였고, Youden 지점에서 민감도 78%, 특이도 82%를 보였다. 결론: 이 환자 집단에서 카르시노이드 종양은 매우 작았으며 진단이 어려울 수 있었다. 제시된 방법은 병변 수준 탐지에서 소수의 FPs로도 합리적인 민감도를 보였다. 또한 환자 수준 탐지에서 유망한 AUC를 달성하였다. 이 방법은 이 드물고 진단이 어려운 질환을 가진 환자에서 임상적 적용 가능성이 있다.

작은 병변을 찾는 일은 뚜렷한 특징의 부재, 심각한 클래스 불균형, 그리고 크기 자체로 인해 매우 어렵다. 작은 병변 분할을 개선하는 한 접근법은 관심영역(region of interest)을 축소하고 전체 영역에 대해 수행하는 대신 더 높은 민감도로 이를 검사하는 것이다. 이는 보통 장기와 병변을 순차적으로 또는 공동으로 분할하는 방식으로 구현되는데, 장기 분할에 대한 추가 감독이 필요하다. 대신, 우리는 추가 라벨링 비용 없이 표적 병변의 강도 분포(intensity distribution)를 활용하여 병변이 위치할 가능성이 있는 영역을 배경으로부터 효과적으로 분리하는 방법을 제안한다. 이 방법은 보조 과제로서 네트워크 학습에 통합된다. 우리는 이 제안 방법을 CT 영상에서 소장 카르시노이드 종양의 분할에 적용하였다. 그 결과, 전역, 케이스별, 종양별 Dice 점수에서 각각 33.5% → 38.2%, 41.3% → 47.8%, 30.0% → 35.9%로 모든 지표에서 기본 방법(baseline method) 대비 향상을 관찰하였으며, 이는 우리의 아이디어의 타당성을 입증한다. 본 방법은 네트워크 학습에 표적의 강도 분포 정보를 명시적으로 통합하는 한 가지 선택지가 될 수 있다.

소장에 발생하는 카르시노이드 종양은 드물어, CT(Computed Tomography) 스캔을 이용한 검출 모델 학습을 위해 크기가 다양한 병변을 충분한 규모로 수집하는 데 어려움이 있다. 이러한 희소성은 특히 비교적 작은 종양 또는 큰 종양에서의 검출 성능에 부정적인 영향을 미친다. 이를 해결하기 위해, 우리는 과소대표된 종양 크기를 선택적으로 증강할 수 있어 검출 성능을 향상시키는 새로운 영상 합성 방법을 제안한다. 본 방법은 종양 분할 모델과 크기 인지 손실(size-aware loss)을 학습 과정에 통합함으로써, 크기 제어가 가능한 종양 생성 기능을 제공한다. 구체적으로, 입력 노이즈 벡터의 한 차원을 합성된 종양의 크기를 제어하는 데 지정한다. 원하는 크기로 생성된 종양을 CT 영상에 이식하여 종양 검출 네트워크의 학습 데이터를 풍부하게 한다. 우리의 방법은 기준 합성 방법과 비교하여 시각적 현실감은 유사하게 유지하면서도, 더 뚜렷한 크기 구분을 갖는 종양을 생성한다. 시각적 튜링 테스트(visual Turing test)에서 인간 관찰자들은 합성 종양과 실제 종양을 신뢰성 있게 구별하지 못했다. 자유응답 수신자 조작특성(free-response receiver operating characteristic, FROC) 곡선을 통한 병변 수준 평가에서는, 학습 시 합성 종양을 포함했을 때 검출 성능이 향상되었으며(P=0.04), 본 방법은 소장 카르시노이드 종양과 같은 희귀 종양의 검출을 개선하는 유망한 방향을 제시한다.

배경: 소장 카르시노이드 종양은 드문 신생물이며 발생 빈도가 증가하고 있다. 소장 카르시노이드 종양 환자는 모호한 증상, 종양의 느린 성장, 그리고 임상의의 인지 부족으로 인해 진단이 지연되는 경우가 흔하다. 컴퓨터단층촬영(CT)은 소장 카르시노이드 종양 진단을 위한 가장 일반적인 영상검사이다. CT는 카르시노이드 종양의 해부학적 및 기능적 양상을 포착하기 위해 양전자방출단층촬영(PET)과 함께 자주 사용되어 민감도를 높이는 데 기여한다. 목적: 우리는 CT 영상에서 소장 카르시노이드 종양을 자동으로 탐지하기 위한 세 가지 서로 다른 방법을 비교하였으며, 이는 본 연구진의 지식으로는 최초의 시도이다. 방법: F-DOPA PET 영상 및 이에 대응하는 방사선학적 판독 보고서를 사용하였다. 이러한 영상은 trainval 세트(n = 24)와 test positive 세트(n = 9)로 분할하였다. 또한 종양의 증거가 없는 22명의 개별 환자에 해당하는 22개 CT 영상을 수집하여 test negative 세트를 구성하였다. 우리는 탐지 네트워크, 패치 기반 분류, 그리고 분할 기반 방법의 세 가지 서로 다른 탐지 방법을 비교하였다. 아울러 각 방법에서 위양성(FP) 감소를 위한 소장 분할의 유용성을 조사하였다. 병변 수준과 환자 수준 평가에는 각각 자유반응형 수용자특성운영특성(FROC) 곡선과 수용자특성운영특성(ROC) 곡선을 사용하였다. FROC 및 ROC 곡선을 비교하는 통계 분석도 수행하였다. 결과: ). 환자 수준 탐지에서는, 소장 분할 기반 필터링을 적용한 탐지 네트워크 방법이 가장 높은 AUC 0.86을 달성하였고, Youden 지점에서 민감도 78%, 특이도 82%를 보였다. 결론: 이 환자 집단에서 카르시노이드 종양은 매우 작았으며 진단이 어려울 수 있었다. 제시된 방법은 병변 수준 탐지에서 소수의 FPs로도 합리적인 민감도를 보였다. 또한 환자 수준 탐지에서 유망한 AUC를 달성하였다. 이 방법은 이 드물고 진단이 어려운 질환을 가진 환자에서 임상적 적용 가능성이 있다.

작은 병변을 찾는 일은 뚜렷한 특징의 부재, 심각한 클래스 불균형, 그리고 크기 자체로 인해 매우 어렵다. 작은 병변 분할을 개선하는 한 접근법은 관심영역(region of interest)을 축소하고 전체 영역에 대해 수행하는 대신 더 높은 민감도로 이를 검사하는 것이다. 이는 보통 장기와 병변을 순차적으로 또는 공동으로 분할하는 방식으로 구현되는데, 장기 분할에 대한 추가 감독이 필요하다. 대신, 우리는 추가 라벨링 비용 없이 표적 병변의 강도 분포(intensity distribution)를 활용하여 병변이 위치할 가능성이 있는 영역을 배경으로부터 효과적으로 분리하는 방법을 제안한다. 이 방법은 보조 과제로서 네트워크 학습에 통합된다. 우리는 이 제안 방법을 CT 영상에서 소장 카르시노이드 종양의 분할에 적용하였다. 그 결과, 전역, 케이스별, 종양별 Dice 점수에서 각각 33.5% → 38.2%, 41.3% → 47.8%, 30.0% → 35.9%로 모든 지표에서 기본 방법(baseline method) 대비 향상을 관찰하였으며, 이는 우리의 아이디어의 타당성을 입증한다. 본 방법은 네트워크 학습에 표적의 강도 분포 정보를 명시적으로 통합하는 한 가지 선택지가 될 수 있다.

평균적으로.

복수는 일반적으로 난소암의 진행 단계에서 나타나며, 방광 내 소변과 같은 복부 체액에 의해 흔히 유사하게 나타난다. 방광에 소변이 차 있는 경우 골반 부위에서 복수를 분할(segmentation)하는 작업은 점점 더 어려워진다. 본 연구에서는 해부학적 위치 정보를 활용하여 복수와 방광을 구분한다. 해부학적 위치 정보는 신체 부위 회귀기(body part regressor)로부터 계산하고, 임베딩(embedding) 층을 통해 조영 증강 전산화단층촬영(CT) 데이터와 결합한다. 결합된 데이터를 대상으로 3D 잔차 U-Net(3D residual U-Net)을 학습하여 복수와 방광을 동시에 분할한다. 본 연구에는 112장의 CT 영상을 사용하였으며, 55장은 학습에, 20장은 검증에, 나머지 37장은 테스트에 사용하였다. Dice 계수 점수와 Jacard index는 복수 및 방광 분할 성능을 평가하기 위한 두 가지 지표이다. 3D 잔차 U-Net과 비교할 때, 해부학적 위치 정보의 추가와 양성(두 클래스) 분할을 통해 복수와 소변 분할의 평균 Dice 점수가 각각 0.44±0.23에서 0.51±0.16으로, 0.36±0.15에서 0.40±0.13으로 향상되었다. 복수와 소변의 평균 용적 오차는 각각 1.81±3.09에서 0.93±1.85 L로, 0.6±0.81에서 0.56±0.76 L로 감소하였다. 이러한 결과는 해부학적 위치 정보와 양성(두 클래스) 분할이, 소변으로 채워진 방광 영역을 구별함으로써 복수 분할을 향상시키는 핵심 특징임을 시사한다.

원통형 제약(cylindrical constraints)에 기반한 소장(small bowel) 경로 추적을 위한 새로운 그래프 기반 방법을 제시한다. 다른 장기들과 비교하여 소장의 두드러진 특징은 경로를 따라 소장의 일부가 자기 자신과 접촉한다는 점이며, 이로 인해 벽(wall)의 외관이 뚜렷하지 않은 양상과 함께 경로 추적이 어렵다. 벽 검출(wall detection)과 같은 저수준 특징에 의존할 경우, 추적된 경로가 벽을 쉽게 가로지르게 된다. 이를 회피하기 위해 소장의 경로를 따라 정합되는 일련의 원통들을 사용하여 추적이 보다 신뢰할 만한 방향으로 유도되도록 한다. 제안된 방법은 새로운 비용 함수(cost function)를 통해 연성 제약(soft constraints)으로 구현된다. 이 방법은 10개의 복부 CT 스캔에 대해 소장의 시작부터 끝까지 모두 연결된 정답(ground-truth) 경로와 비교하여 평가되었다. 제안된 방법은 오류 없이 경로를 추적하는 데 있어서 기준 방법(baseline method) 대비 뚜렷한 개선을 보였다. 소장 분할(small bowel segmentation)과 관련된 서로 다른 두 가지 설정에서, 추적 길이(tracked length) 기준으로 각각 6.6%와 17.0%의 개선이 관찰되었다.