Core Concepts
다중 센터 림프종 PET/CT 데이터셋에서 축상 슬라이스를 종양 포함 슬라이스와 종양 미포함 슬라이스로 자동 분류하는 신경망 모델을 개발하고 평가하였다.
Abstract
이 연구에서는 림프종 PET/CT 영상의 축상 슬라이스를 종양 포함 슬라이스와 종양 미포함 슬라이스로 자동 분류하는 신경망 모델을 개발하고 평가하였다.
데이터셋:
캐나다 BC Cancer와 한국 서울성모병원에서 수집된 림프종 PET/CT 영상 데이터셋
총 466명의 환자 데이터, 각 슬라이스가 종양 포함 여부로 라벨링 됨
모델 학습 및 평가:
ResNet-18 기반 이진 분류 신경망 모델 구현
슬라이스 단위 분할과 환자 단위 분할 방식으로 데이터를 나누어 모델 학습 및 평가
센터 인지(CAW) 및 센터 무관(CAG) 학습 전략 비교
입력 데이터로 PET 슬라이스만 사용하거나 PET+CT 슬라이스 사용 비교
결과:
슬라이스 단위 분할 데이터로 학습한 모델이 환자 단위 분할 데이터로 학습한 모델보다 성능이 과대 추정되는 경향 관찰
CAG 학습 전략이 CAW 전략보다 일반화 성능이 우수
PET 슬라이스만 사용한 모델이 PET+CT 슬라이스 모델보다 우수한 성능 보임
종양 SUVmax가 높은 양성 슬라이스를 더 정확하게 분류
결론:
다중 센터 데이터셋에서 환자 단위 분할과 센터 무관 학습 전략이 중요
향후 CT 전처리 개선 및 다양한 분류기 모델 탐색 필요
Stats
양성 슬라이스의 종양 SUVmax가 높을수록 모델의 분류 성능이 향상된다.
모델 M_CAW(100% SMHS)의 경우 대부분의 양성 슬라이스를 잘못 분류하여 낮은 민감도를 보였다.