[論文レビュー] AI-based Aortic Vessel Tree Segmentation for Cardiovascular Diseases Treatment: Status Quo

Yuan Jin, Antonio Pepe+7 more|arXiv (Cornell University)|Aug 6, 2021

Aortic aneurysm repair treatments参考文献 86被引用数 10

ひとこと要約

本論文は、心疾患の診断を目的とした画像診断における、コンputedトモグラフィー血管造影（CTA）画像からの自動的アーティファクト血管樹のセグメンテーションに向けたAIベースの手法について包括的なレビューを提供している。深層学習と従来のアプローチを評価し、大規模なアノテート済みデータセットの不足や一貫性のない停止基準といった主な課題を特定した上で、今後の研究方向性として、公開データセット、パッチベースのネットワーク、ベンチマークチャレンジの整備を提案し、臨床応用への発展を促進する。

ABSTRACT

The aortic vessel tree is composed of the aorta and its branching arteries, and plays a key role in supplying the whole body with blood. Aortic diseases, like aneurysms or dissections, can lead to an aortic rupture, whose treatment with open surgery is highly risky. Therefore, patients commonly undergo drug treatment under constant monitoring, which requires regular inspections of the vessels through imaging. The standard imaging modality for diagnosis and monitoring is computed tomography (CT), which can provide a detailed picture of the aorta and its branching vessels if completed with a contrast agent, called CT angiography (CTA). Optimally, the whole aortic vessel tree geometry from consecutive CTAs is overlaid and compared. This allows not only detection of changes in the aorta, but also of its branches, caused by the primary pathology or newly developed. When performed manually, this reconstruction requires slice by slice contouring, which could easily take a whole day for a single aortic vessel tree, and is therefore not feasible in clinical practice. Automatic or semi-automatic vessel tree segmentation algorithms, however, can complete this task in a fraction of the manual execution time and run in parallel to the clinical routine of the clinicians. In this paper, we systematically review computing techniques for the automatic and semi-automatic segmentation of the aortic vessel tree. The review concludes with an in-depth discussion on how close these state-of-the-art approaches are to an application in clinical practice and how active this research field is, taking into account the number of publications, datasets and challenges.

研究の動機と目的

• 医療画像における降主动脈血管樹の自動的および準自動的セグメンテーションに向けた、AIベースの手法と従来手法を体系的にレビューすること。
• 臨床応用の実現を阻害する主な課題、特に不十分なアノテート済みデータセット、解像度の制限、一貫性のないセグメンテーション境界を同定すること。
• 深層学習手法と古典的手法の間で、降主动脈血管樹セグメンテーションにおける性能と一般化可能性を評価すること。
• 心血管画像分野における研究と臨床応用のギャップを埋めるための実行可能な今後の研究方向性を提案すること。
• 今後の研究において未だ十分に検討されていない分野を特定する手がかりを研究者に提供すること。

提案手法

• CTおよびMRI画像における降主动脈血管樹に応用されたAIベースおよび古典的手法の体系的文献レビューを実施した。
• 深層学習（例：U-Net変種、3D CNN）と従来の画像処理（例：ヘッセアン行列ベースのフィルタ、領域拡張法）の使用に基づいて、手法を分類・比較した。
• 画像解像度とダウンサンプリングがセグメンテーション精度に与える影響を評価し、解剖学的詳細を保持するためのパッチベースアプローチの推奨を示した。
• グランドトゥースアノテーションの役割を分析し、一貫性のあるラベル付けがなされた標準化された公開データセットの必要性を提起した。
• 血管セグメンテーションにおけるユニバーサルな停止基準の定義の重要性を議論し、スキャン間での有効な比較を可能にする必要性を強調した。
• 深層学習の強化とアノテーション負荷の低減を目的として、古典的手法と深層学習の統合を提案した。

実験結果

リサーチクエスチョン

• RQ1 医療画像における降主动脈血管樹のセグメンテーションに用いられる最新のAIベースおよび従来の手法は何か？
• RQ2 深層学習モデルは、精度、自動化、一般化の観点から、古典的手法と比較してどのように異なるか？
• RQ3 自動化された降主动脈血管樹セグメンテーションの広範な臨床応用を阻害する主な技術的およびデータ関連の障壁は何か？
• RQ4 現在のデータセットおよびアノテーション手法は、信頼性の高いモデルの学習と評価をどの程度サポートしているか？
• RQ5 公開チャレンジ、パッチベースのネットワーク、ハイブリッド手法などの今後の研究方向性は、臨床応用の加速にどの程度寄与できるか？

主な発見

• 深層学習手法は、複雑な分岐構造を有する場合においても、自動化と一般化の観点で従来手法を上回っている。
• 公開可能で適切にアノテートされたデータセットが不足していることが、モデル開発とベンチマーク評価の主なブottleneckである。
• 全身CTAスキャンをネットワーク入力用にダウンサンプリングすると、解剖学的詳細の顕著な損失とセグメンテーション精度の低下が生じる。
• 血管セグメンテーションの停止基準について、まだ合意形成がなされておらず、研究間での評価が一貫性を欠いている。
• 現在のアノテーションツールは、大規模なグランドトゥースの生成に非効率的であり、教師あり学習のスケーラビリティを制限している。
• SegTHORのような公開チャレンジは研究を前進させたが、腹部および大腿動脈枝を含む全降主动脈血管樹のカバーにはまだ至っていない。