Deep Learning-based Programmable Shunt Valve Setting Identification using Skull X-rays
- 주제(키워드) Deep learning , Cerebrospinal fluid shunt , Skull X-ray
- 주제(DDC) 006.31
- 발행기관 아주대학교 일반대학원
- 지도교수 Hyung Il Koo
- 발행년도 2026
- 학위수여년월 2026. 8
- 학위명 석사
- 학과 및 전공 일반대학원 인공지능학과
- 실제URI http://www.dcollection.net/handler/ajou/000000036697
- 본문언어 영어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
The precise identification of programmable shunt valve settings remains critical in managing hydrocephalus patients, as unintended setting changes can lead to dangerous fluctuations in cerebrospinal fluid （CSF） drainage. Existing deep learning studies on shunt valve using X-ray image typically require manual localization of the valve region and focus on classifying shunt valve models from a single X-ray image, which limits their clinical applicability. A study that identifies valve settings from CT images estimates the valve setting by measuring the angle between segmented valve markers in three-dimensional images. However, their higher radiation exposure limits routine clinical use, particularly in neonatal patients. In this study, we propose a deep learning–based end-to-end system that automatically detects and classifies Strata programmable shunt valve settings from standard two-view （anteroposterior and lateral） skull X-rays. A YOLOv8 OBB-based detector first localizes the valve region, followed by a rule-based geometric normalization algorithm that ensures consistent orientation across projections. Subsequently, a dual-stream convolutional neural network （CNN） performs multi-view feature fusion to identify the valve’s pressure setting. Unlike prior approaches, our method eliminates the need for specialized tangential imaging or manual cropping, significantly reducing operator dependency and supporting feasibility in end routine radiographic workflows. End-to-end evaluation yielded weighted F1-scores of 0.95 on the internal test set and 0.81 on an independent external validation dataset, supporting the potential generalizability of the proposed system. These findings support the feasibility of deep learning-based identification of Strata programmable shunt valve settings via standard skull X-ray images.
more초록/요약
본 연구는 수두증 환자의 치료 및 관리에 중요한 션트 밸브 세팅을 식별하기 위한 end-to-end 시스템을 제안한다. 션트 밸브 세팅값이 의도치 않게 변경될 경우 뇌척수액（CSF）가 과하게 배출되거나 필요한 만큼 배출되지 않을 수 있으므로, 정확한 밸브 세팅값 확인은 매우 중요하다. 기존의 딥러닝 기반 X-ray 영상 션트 밸브 연구들은 수작업으로 밸브 영역을 설정하고, 단일 X-ray 영상을 이용해 션트 밸브 모델 종류를 분류하는데 초점을 맞추고 있어 실제 임상 적용에 한계가 있다. CT 영상으로 밸브 세팅을 식별하는 방법은 3차원 영상에서 분할된 마커사이의 각도를 계산해 밸브 세팅을 추정할 수있으나, X-ray보다 높은 방사선 노출로 인해 신생아 환자의 밸브 세팅 확인에 한계가 있다. 본 연구에서는 정면과 측면, 두방향의 두개골 X-ray 영상으로 Strata 션트 밸브의 세팅을 자동으로 검출하고 분류하는 딥러닝 기반 시스템을 제안한다. 먼저 YOLOv8 OBB（Oriented Bounding Box） 기반 검출기로 션트 밸브 영역을 검출하고, 표준화 알고리즘을 적용하여 환자 촬영 방향과 설치 위치가 달라져도 이미지에서 션트 밸브가 정방향으로 보이도록 전처리한다. 이어서 CNN 백본을 통해 두 이미지의 특징（feature）을 추출하고, 밸브 세팅을 분류했다. 제안한 방법은 기존 연구들과 달리 CT 촬영이나 수작업으로 관심 영역을 설정하는 과정이 필요하지 않으므로, 사용자 의존성을 크게 줄이고 일반적인 방사선 촬영에서도 적용 가능성을 제공한다. 성능 평가 결과, 내부 테스트 데이터셋과 독립적인 외부검증 데이터셋에서 각각 weighted-average F1-score 0.95와 0.81을 달성했다. 이는 제안한 시스템의 일반화 가능성을 뒷받침한다. 이러한 결과는 두개골 X-ray 영상을 이용한 딥러닝 기반 Strata 션트 밸브 세팅 식별 시스템의 임상적 활용 가능성을 보여준다.
more목차
Chapter 1 Introduction 1
Chapter 2 Related Works 7
2.1 Shunt model type classification using X-ray image 7
2.2 Shunt valve setting determination using CT data 8
Chapter 3 Proposed Method 9
3.1 Overview of the proposed system 9
3.2 Valve detector 11
3.3 Preprocessing 12
3.4 Shunt valve setting classification 15
Chapter 4 Experiments and Results 16
4.1 Dataset 16
4.2 Detection performance 18
4.3 Classification performance 18
4.4 Overall performance 20
4.5 Ablation study 22
Chapter 5 Conclusions 26
Reference 28
초록 37
