earticle

영어

The identification of the third lumbar vertebra (L3) slice in abdominal computed tomography (CT) is a usual prerequisite for the measurement of visceral adipose tissue and muscle in the abdomen. Recently, there have been active research studies using deep learning to automatically identify the L3 slice. A method for binary classification on axial slices has been reported, and trials have been made to alleviate the issue of class imbalance caused by the scarcity of the L3 slices. In this paper, generative neural network models, highly utilized in medical imaging, are considered for the generation of the L3 images to address the class imbalance issue. A comparative analysis is performed to investigate the effectiveness of the generative neural network models in improving the model’s prediction performance. We utilized publicly available VerSe dataset, where the subjects’ axial slice data were extracted. Weper formed image pre-processing, followed by a 5-fold cross-validation for model development. Finally, we evaluated the performance on unseen test data. Our results indicated that data augmentation based on DCGAN and IDDPM model sresulted in higher F1-scores than those obtained by traditional data augmentation. Therefore, we recommend the use of generative AI models rather than traditional data augmentation methods to improve the L3 slice identification performance.

한국어

복부 CT영상에서 세번째 요추부 (L3) 슬라이스 검출은 복부 내장 지방 및 근육량을 측정하는데 주로 선행되는 작 업이다. 최근에 딥러닝을 이용하여 L3 슬라이스를 자동으로 검출하는 연구가 활발히 진행되고 있다. Axial 슬라이 스 영상에서 L3인지 아닌지 분류하는 이진 분류기 방식이 보고되고 있는데, L3 슬라이스 부족으로 인한 클래스 불 균형 문제를 완화하고자 하는 시도가 있었다. 본 논문에서는 최근에 의료영상 분야에 활용도가 높은 생성형 인공지 능 모델을 이용하여L3 슬라이스 영상을 생성함으로써 불균형 문제를 완화했을 때, 모델의 성능에 영향을 주는지 비 교 분석한다. 공개데이터인 VerSe 데이터셋을 이용하여 axial 영상의 데이터를 추출한 후 전처리 작업을 거쳐 5-fold 교차검증으로 딥러닝 모델을 학습하고 학습에 관여하지 않은 테스트 데이터셋으로 성능을 평가하였다. 검증 결과 DCGAN, IDDPM 방식의 딥러닝 기반의 생성모델을 이용한 데이터 증강이 전통적인 데이터 증강 방식보다 분류기 성능이 향상됨을 보여준다. 결론적으로 L3 슬라이스 검출 성능을 높이기 위해 데이터 증강을 수행하고 이를 위해 전통적인 방법보다는 생성형 인공지능 모델을 이용한 방식을 사용할 것을 권장한다.