[논문리뷰] AI로 정확해진 어깨 MRI 분석법

50초 만에 완성되는 3D 근육 분석의 혁신

#인공지능 #회전근개 #수술계획 #DixonMRI #자동분할 #3D분석 #지방침윤 #Goutallier분류 #근육평가 #딥러닝 #nnUNet #어깨MRI #회전근개수술

Kim, Brian, et al. "Developing a three-dimensional convolutional neural network for full volume auto-segmentation of shoulder Dixon MRI with comparison to Goutallier classification and two-dimensional muscle quality assessment." Journal of Shoulder and Elbow Surgery (2025).

원문: https://pubmed.ncbi.nlm.nih.gov/39921123/

Developing a three-dimensional convolutional neural network for full volume auto-segmentation of shoulder Dixon MRI with compari

짧은리뷰: https://blog.naver.com/smryuphd/223754828332

[논문리뷰] AI로 정확해진 어깨 MRI 분석법

0. 개인적 평가

- JSES에서 2025년 2월에 몇일 전에 출판된 따끈따끈한 연구입니다. (Online ahead of print)

- 80건의 shoulder MRI labeling을 한 것은 정말 고생을 많이 했을 것 같다고 생각합니다.

- 견갑골의 뒤쪽 근육인 Infraspinatus (극하근)과 Teres minor (소원근)의 구분은 쉽지 않은데 결과가 좋아서 레이블을 잘 한 것 같습니다.

- nnU-Net을 써서 딥러닝 아키텍처에 특별한 novelty는 없습니다.

- Shoulder MRI를 촬영할 때, scapular 전체가 다 나오게 찍는 경우를 잘 못봤는데, 연구를 위해서 그렇게 찍은 것 같습니다. (실제 임상에서는 굳이 필요가 없기 때문에)

- 이런 Shoulder MRI segmentation은 여러 연구들이 이미 발표되었지만, 2025년도 JSES에 publish가 된 이유는 제가 생각하기에는 label의 많고, Teres minor까지 잘 segmentation된 것, Goutallier grade 3 이상 심한 병변에서의 식별에서 매우 높은 정확도(AUC ≥ 0.94) 달성한 것이 주요한 것 같습니다.

- 2025년도의 computer vision을 활용한 딥러닝 연구도 아직까지는 segmentation을 어떻게 더 정확하게 할 수 있느냐를 논하고 있기 때문에, 아직까지는 연구할 부분이 많은 부분이라고 생각합니다. 저도 열심히 연구해야 하겠습니다. 

1. 연구 개요

1.1. 연구의 주요 목적

A. Dixon MRI 기법을 이용한 어깨 근육의 자동 분할을 위한 3D CNN 모델 개발

B. 기존의 Goutallier 분류법과 2D/3D 근육 내 지방 침윤(IMF) 평가 방법 비교

1.2. 주요 연구 결과

A. 모델 성능

   1. 8개 관심 영역(ROI) 자동 분할에 평균 50초 소요

   2. 대부분의 근육에서 0.89 이상의 Dice 유사도 계수(DSC) 달성

   3. 근육 부피와 IMF 측정에서 높은 신뢰도 확인

B. 임상적 성과

   1. 3D IMF 평가가 2D 평가보다 우수한 성능 입증

   2. Goutallier 등급 3 이상 식별에서 매우 높은 정확도(AUC ≥ 0.94) 달성

   3. 극하근의 경우 완벽한 분류 성능(AUC = 1.0) 달성

2. 연구 방법론

2.1. 모델 구조

A. 기본 프레임워크: nnU-Net(no new U-Net) 구조

B. 아키텍처: 2D와 3D U-Net 병합 사용

C. 학습 방법

   1. 5-fold 교차 검증

   2. 각 fold당 1000 에폭 학습

2.2. 데이터 레이블링

A. 레이블링 담당자

   1. 주 레이블링: 물리치료사 1명

   2. 검증용 레이블링: 근골격계 전문 방사선과 전문의 1명

B. 데이터셋 구성

   1. 전체 105개 MRI 케이스

      a. 학습/검증용: 80개

      b. 외부 테스트용: 25개

C. 관심 영역(8개 ROI)

   1. 극상근(supraspinatus)

   2. 견갑하근(subscapularis)

   3. 극하근(infraspinatus)

   4. 소원근(teres minor)

   5. 삼각근(deltoid)

   6. 대원근(teres major)

   7. 견갑골(scapula)

   8. 쇄골(clavicle)

3. 연구의 한계점

A. 소근(teres minor) 분할에서 상대적으로 낮은 정확도

B. 심한 지방 침윤(Goutallier 등급 4) 케이스에서 정확도 저하

C. 단일 제조사(Siemens)의 3T MRI 장비만을 사용

4. 연구의 Novelty

A. 기존 한계점 극복

   1. 후방 회전근개 근육 간 경계 구분 개선

   2. 확장된 FOV로 완전한 3D 평가 구현

B. 기술적 혁신

   1. Dixon MRI와 nnU-Net 결합으로 고해상도 분할 달성

   2. 8개 관심영역 동시 자동 분할

   3. 최초로 뼈 구조 포함한 Dixon MRI 기반 분할

5. 임상적 의의

A. 수술 전 계획 수립에 도움

B. 회전근개 질환의 예후 예측에 활용 가능

C. 객관적이고 정량적인 근육 평가 가능