배경: 이중에너지 X선 흡수계측법(dual-energy X-ray absorptiometry, DXA)에서 골미네랄밀도(bone mineral density, BMD)를 정확히 측정하는 것은 골다공증의 적절한 진단에 필수적이다. BMD의 계산에는 정밀한 골 분할과 연부조직 흡수의 차감이 필요하다. 대퇴골 분할은, 기존의 많은 방법이 연부조직과 대퇴골을 올바르게 구분하지 못하는 문제로 인해 여전히 도전적이다. 이러한 실패의 원인에는 DXA 영상에서의 낮은 대비와 잡음, 뼈 형태의 변동성, 그리고 X선 빔의 침투 및 감쇠가 개인 간 일관되지 않아 발생하는 그림자 효과와 개인 간 변이가 포함된다. 목적: Pixel Label Decision Tree(PLDT)라는 새로운 방법을 제시하고, DXA 영상에서 대퇴골 분할에 더 높은 정확도를 달성할 수 있는지 평가하고자 한다. 방법: PLDT는 주로 특징 추출과 선택으로 구성된다. 사진 이미지와 달리 X선 이미지는 물체의 표면과 내부에 관한 특징을 포함한다. DXA 영상에서 숨겨진 패턴을 드러내기 위해 PLDT는 기존의 고에너지(high energy, HE) 및 저에너지(low energy, LE) X선 특징으로부터 7개의 새로운 특징 맵을 생성하고, 모델에 대한 최적의 특징 집합을 결정한다. 대퇴골 분할에서의 PLDT 성능은 Global Threshold(GT), Region Growing Threshold(RGT), 인공신경망(artificial neural networks, ANN) 등 널리 사용되는 3가지 의료 영상 분할 알고리즘과 비교하였다. 결과: PLDT는 DXA 영상에서 대퇴골 분할의 정확도가 91.4%로, GT(68.4%), RGT(76%), ANN(84.4%)보다 더 높았다. 결론: 본 연구는 PLDT가 DXA 영상을 분할함에 있어 다른 기존 분할 기법보다 우수함을 보여주었다. 분할 성능의 향상은 이후 BMD의 정확한 계산에 기여하여, 궁극적으로 골다공증의 임상 진단을 개선하는 데 도움이 될 수 있다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.