Automatic Segmentation of Liver Lesion Using CT Attenuation-Integrated UNet in Abdominal CT Imaging

천소담 성균관대학교 일반대학원 2019 국내석사

An automatic segmentation of liver lesion is one of the essential processes for computer-aided diagnosis for screening of liver diseases. Recently, deep learning based approaches are getting a lot of attention due to giving a higher performance compared with conventional methods. In this study, we proposed an in-house, reinforced U-Net, i.e., the ‘CT attenuation-integrated U-Net (CAI-UNet)’ as a new deep learning model for automatic segmentation of focal liver lesion in abdominal CT imaging. The CAI-UNet is based on the basic U-Net. The CAI-UNet is focused on the CT attenuation value, which is significant information to differentiate between healthy tissues and lesions in CT imaging, but could not be directly included after passing through several convolutional operations in the basic U-Net. We introduced directly the connection between outputs of the last 3x3 convolution and a raw input image to enhance CT attenuation information. For training CAI-UNet, the weighted dice loss function was used to solve the imbalance of target lesions. For evaluation, we used LiTS challenge dataset of 131 abdominal CT which contained various focal liver lesions, and selected 90 sets containing liver metastasis by a radiologist with more than 30 years of experience. For statistical analysis, we performed a paired t-test to compare the lesion segmentation accuracy between deep learning models including U-Net only, U-Net+Weighted Loss and CAI-UNet+Weighted Loss. Our results showed that CAI-UNet in performing liver lesion segmentation yielded 0.646 global dice score, 0.543 subject dice score, 0.568 specificity score and 0.651 precision score on test dataset. We also found that the CAI-UNet showed the significant improvement for segmentation of liver lesions compared with U-Net only (P < 0.05). In conclusion, we proposed the CAI-UNet, which is using the CT attenuation information, by adding the direct connection between the last layer and the raw input image, and our results using LiTS dataset showed that the CAI-UNet showed a significant improvement, as compared with the U-Net. The proposed CAI-UNet could be used to improve the detection of liver lesion. 자동 간 병변 분할은 간 질환 진단을 위한 컴퓨터 보조 진단 (CAD) 시스템에서 필요한 작업 중 하나이다. 최근에는 딥러닝 기반 접근 방식을 이용한 간 병변 분할이 기존 방법들에 비해 높은 성능을 보이고 있어 많은 주목을 받고 있다. 본 연구에서는 복부 CT 영상에서 간 병변을 자동으로 구분하기 위해 CT감쇄보강 네트워크(CT Attenuation Integrated UNet, CAI-UNet)를 제안했다. CT감쇄값은 건강한 조직과 병변을 구별해내는 중요한 정보 중에 하나이다. 이를 고려하려 우리는 합성곱 연산과정에서 반영되지 못했던 CT감쇄값을 반영한 네트워크를 제안하였다. 기본 구조는 U-Net을 기반으로 만들어졌으며, CT감쇄값 정보를 향상시키기 위해 마지막 3x3 합성곱 출력과 원시 입력 이미지 간의 연결을 직접 도입했다. 또한 가중치를 적용한 손실 함수를 사용하여 간 및 병변 분할 네트워크를 학습함으로써 병변 데이터의 불균형 문제를 해소하였다. 성능을 평가하기 위해 LiTS 챌린지 데이터를 사용하였으며, 30 년 이상의 경험을 가진 방사선 의사가 131개의 다양한 병변을 포함한 훈련데이터 중 90개의 전이 CT영상만을 선별하였다. 제안한 네트워크의 통계적 유의성을 측정하기 위해 U-Net, U-Net에 가중치를 적용한 손실함수로 훈련시킨 경우, CAI-UNet에 가중치를 적용한 손실함수로 훈련시킨 경우들 사이에 대응 표본 T검정(Paired T-Test)을 수행하였다. 실험 결과, 테스트데이터로부터 (전체)유사도 계수 0.646, (부분)유사도 계수 0.543, 특이도 0.568 및 정밀도 0.651의 간 병변 분할 결과값을 얻었다. 또한, CAI-UNet이 U-Net과 비교하여 간 병변을 분할하는데 개선된 결과를 보여준다는 사실을 확인하였다(P<0.05). 결론적으로, LiTS 데이터를 사용해 평가하였을 때, 마지막 3x3 합성곱 출력과 원시 입력 이미지 간의 연결을 통해 CT감쇄값이 반영된 CAI-UNet은 간 병변을 분할하는데 있어 상당히 개선된 결과를 냈다. 제안한 네트워크는 간 병변을 조기 검출하는 작업에 도움이 될 수 있을 것이다.

Clinical Feasibility of Deep Learning Based Synthetic Contrast Enhanced Abdominal CT

한승철 서울대학교 대학원 2026 국내박사

Purpose: This dissertation aims to evaluate the clinical utility of deep learning-based synthetic contrast-enhanced computed tomography (DL-SynCCT) in abdominal imaging, particularly in scenarios where the use of iodinated contrast media is contraindicated. The study focuses on two distinct patient populations: those undergoing non-enhanced CT (NECT) due to medical limitations and patients in oncologic or post-surgical settings who require frequent follow-up imaging. The primary objective is to assess whether DL-SynCCT enhances lesion detectability, diagnostic confidence, and overall image quality in these high-risk groups. Materials and Methods: A weakly supervised deep learning algorithm was developed using a two-stage training process involving virtual non-contrast (VNC) and true contrast-enhanced CT datasets. The algorithm was validated on two independent cohorts: 398 general NECT patients and 300 patients in specialized clinical settings (241 with malignancies and 59 post-surgical or interventional cases). Three board-certified radiologists conducted blinded, paired readings (NECT-only vs. NECT with DL-SynCCT) for each case, separated by a two-week washout period. Sensitivity, specificity, diagnostic confidence, and image quality were quantitatively assessed, with statistical analysis performed using McNemar’s test, Wilcoxon signed rank test, and Generalized Estimating Equations (GEE). Results: DL-SynCCT consistently improved diagnostic performance across both patient populations. In general NECT cases, lesion sensitivity increased from 72.0% to 76.4% (p < 0.001), while diagnostic confidence rose significantly without compromising specificity. In the oncology cohort, pooled sensitivity improved from 48.5% to 55.2% (p < 0.001), particularly in gastrointestinal malignancies, where sensitivity increased from 34.3% to 48.1%. Among post-surgical patients, DL-SynCCT enhanced sensitivity for detecting complications from 68.4% to 74.4% (p = 0.01) and specificity from 83.3% to 93.3% (p = 0.03). Radiologists reported improved confidence and fewer missed findings in cases with subtle or ambiguous findings. Conclusions: DL-SynCCT offers a safe and effective alternative to traditional contrast-enhanced CT, particularly in patients for whom contrast administration is not feasible. Its implementation results in higher lesion detection sensitivity and diagnostic confidence, supporting its potential role in routine clinical practice. The algorithm's robust technical performance and ease of integration into existing workflows further support its clinical viability. These findings highlight DL-SynCCT as a promising tool for improving the diagnostic value of NECT, with implications for oncologic surveillance, postoperative care, and broader radiologic applications. 목적: 본 논문은 조영제 사용이 금기인 상황에서 복부 영상에서의 딥러닝 기반 합성 조영증강 컴퓨터단층촬영(DL-SynCCT)의 임상적 유용성을 평가하는 것을 목표로 한다. 본 연구는 두 가지 주요 환자군 (의학적 이유로 비조영 CT(NECT)만 시행 가능한 환자와, 암 또는 수술 후 경과 관찰을 자주 필요로 하는 환자)을 중심으로 DL-SynCCT의 병변 검출력, 진단 신뢰도, 전반적인 영상 품질 개선 효과를 평가하였다. 대상 및 방법: 본 연구에서는 가상 비조영(VNC) 영상과 실제 조영증강 CT 데이터를 이용한 2단계 학습 과정을 통해 약한 감독 학습 방식의 딥러닝 알고리즘을 개발하였다. 이 알고리즘은 398명의 일반 NECT 환자군과 300명의 특수 임상 상황 환자군(악성종양 환자 241명, 수술 또는 중재 후 환자 59명)에서 독립적으로 검증되었다. 세 명의 영상의학과 전문의가 각 케이스에 대해 NECT 단독 영상과 DL-SynCCT가 추가된 영상으로 블라인드, 페어드 판독을 진행했으며, 두 판독 사이에는 2주 간의 워시아웃 기간을 두었다. 병변 민감도, 특이도, 진단 신뢰도, 영상 품질을 정량적으로 분석하였고, 통계 분석에는 McNemar 검정, Wilcoxon 부호 순위 검정, 일반화 추정 방정식(GEE)을 사용하였다. 결과: DL-SynCCT는 두 환자군 모두에서 진단 성능을 일관되게 향상시켰다. 일반 NECT 환자군에서는 병변 민감도가 72.0%에서 76.4%로 증가하였으며(p < 0.001), 진단 신뢰도 또한 유의하게 향상되었지만 특이도는 유지되었다. 암 환자군에서는 전체 병변 민감도가 48.5%에서 55.2%로 향상되었고(p < 0.001), 특히 위장관 암에서 민감도는 34.3%에서 48.1%로 상승하였다. 수술 후 환자군에서는 합병증 검출 민감도가 68.4%에서 74.4%로 증가하였고(p = 0.01), 특이도는 83.3%에서 93.3%로 향상되었다(p = 0.03). 판독의들은 미세하거나 애매한 병변이 있는 케이스에서 놓치는 병변이 줄어들고 진단 신뢰도가 높아졌다고 보고하였다. 결론: DL-SynCCT는 조영제 투여가 어려운 환자들에게 있어 전통적인 조영증강 CT의 안전하고 효과적인 대안이 될 수 있다. 본 알고리즘은 병변 검출 민감도와 진단 신뢰도를 향상시키며, 기존 영상 판독 워크플로우에 쉽게 통합될 수 있는 기술적 안정성과 실용성을 지닌다. 이러한 결과는 DL-SynCCT가 NECT 영상의 진단 가치를 높이는 유망한 도구임을 시사하며, 향후 암 경과 관찰, 수술 후 관리, 기타 다양한 임상 영상 분야에서의 활용 가능성을 뒷받침한다.