BMD-GAN: Bone mineral density estimation using x-ray image decomposition into projections of bone-segmented quantitative computed tomography using hierarchical learning

要約

単純X線画像から骨密度（BMD）を推定する方法を提案します。
二重エネルギーX線吸収測定法（DXA）と定量的コンピューター断層撮影法（QCT）は、骨粗鬆症の診断に高い精度を提供します。
ただし、これらのモダリティには特別な機器とスキャンプロトコルが必要です。
X線画像からBMDを測定すると、日和見スクリーニングが提供され、早期診断に役立つ可能性があります。
X線画像とBMDの関係を直接学習する以前の方法では、X線画像の強度の変動が大きいため、高精度を達成するために大規模なトレーニングデータセットが必要です。
したがって、生成的敵対的ネットワーク（GAN）をトレーニングし、X線画像を骨セグメント化QCTの投影に分解するために、QCTを使用するアプローチを提案します。
提案された階層的学習は、小面積のターゲットを定量的に分解するロバスト性と精度を改善しました。
BMD-GANと名付けた提案された方法を使用した変形性関節症の200人の患者の評価は、予測されたBMDとグラウンドトゥルースDXAで測定されたBMDとの間に0.888のピアソン相関係数を示しました。
大規模なトレーニングデータベースを必要としないことに加えて、私たちの方法の別の利点は、椎骨や肋骨などの他の解剖学的領域への拡張性です。

要約(オリジナル)

We propose a method for estimating the bone mineral density (BMD) from a plain x-ray image. Dual-energy X-ray absorptiometry (DXA) and quantitative computed tomography (QCT) provide high accuracy in diagnosing osteoporosis; however, these modalities require special equipment and scan protocols. Measuring BMD from an x-ray image provides an opportunistic screening, which is potentially useful for early diagnosis. The previous methods that directly learn the relationship between x-ray images and BMD require a large training dataset to achieve high accuracy because of large intensity variations in the x-ray images. Therefore, we propose an approach using the QCT for training a generative adversarial network (GAN) and decomposing an x-ray image into a projection of bone-segmented QCT. The proposed hierarchical learning improved the robustness and accuracy of quantitatively decomposing a small-area target. The evaluation of 200 patients with osteoarthritis using the proposed method, which we named BMD-GAN, demonstrated a Pearson correlation coefficient of 0.888 between the predicted and ground truth DXA-measured BMD. Besides not requiring a large-scale training database, another advantage of our method is its extensibility to other anatomical areas, such as the vertebrae and rib bones.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google