[論文レビュー] Automated Characterization of Stenosis in Invasive Coronary Angiography Images with Convolutional Neural Networks

B. Au, Uri Shaham+8 more|arXiv (Cornell University)|Jul 19, 2018

Coronary Interventions and Diagnostics参考文献 27被引用数 21

ひとこと要約

本論文では、冠動脈造影画像における狭窄症の自動化を目的とした深層学習フレームワークを提案する。畳み込みニューラルネットワーク（CNN）を用い、右冠動脈（RCA）の狭窄症の局所化、セグメンテーション、分類をリアルタイムで実行する。医師による視覚的評価（PVA）よりも統計的に有意な改善を示し、局所化の正確さは72.7%、Dice係数は0.704、C-statisticは0.825を達成した。これは、迅速なRCA狭窄症解析において臨床的基準を上回る、最初のエンドツーエンド自動化システムである。

ABSTRACT

The determination of a coronary stenosis and its severity in current clinical workflow is typically accomplished manually via physician visual assessment (PVA) during invasive coronary angiography. While PVA has shown large inter-rater variability, the more reliable and accurate alternative of Quantitative Coronary Angiography (QCA) is challenging to perform in real-time due to the busy workflow in cardiac catheterization laboratories. We propose a deep learning approach based on Convolutional Neural Networks (CNN) that automatically characterizes and analyzes coronary stenoses in real-time by automating clinical tasks performed during QCA. Our deep learning methods for localization, segmentation and classification of stenosis in still-frame invasive coronary angiography (ICA) images of the right coronary artery (RCA) achieve performance of 72.7% localization accuracy, 0.704 dice coefficient and 0.825 C-statistic in each respective task. Integrated in an end-to-end approach, our model's performance shows statistically significant improvement in false discovery rate over the current standard in real-time clinical stenosis assessment, PVA. To the best of the authors' knowledge, this is the first time an automated machine learning system has been developed that can implement tasks performed in QCA, and the first time an automated machine learning system has demonstrated significant improvement over the current clinical standard for rapid RCA stenosis analysis.

研究の動機と目的

• 侵襲的冠動脈造影（ICA）における医師による視覚的評価（PVA）の高い評価者間ばらつきを是正すること。
• 迅速なカテーテルラボ環境では時間的・実務的制約がある定量的冠動脈造影（QCA）の代替として、自動でリアルタイムに動作する代替手法を開発すること。
• 静止画ICA画像における狭窄症の局所化、セグメンテーション、分類というQCAの主要タスクを自動化する深層学習パイプラインを実装すること。
• エンドツーエンドのCNNベースのシステムが、PVAに比べて偽陽性率を顕著に低減できるかどうかを評価すること。
• 臨床現場における自動的・リアルタイムな冠動脈狭窄症分析のベンチマークを確立すること。

提案手法

• 右冠動脈（RCA）の静止画侵襲的冠動脈造影（ICA）画像を対象に、独自に設計した畳み込みニューラルネットワーク（CNN）アーキテクチャをエンドツーエンドで学習する。
• モデルは、同時に3つのタスクを実行する：狭窄症の局所化（バウンディングボックス予測）、セグメンテーション（画素単位での病変境界の特定）、分類（狭窄症の重症度評価）。
• アノテート済みの臨床的ICA画像を用いて、局所化、セグメンテーション、分類の3つのタスクを同時に最適化するマルチタスク学習フレームワークを採用する。
• 性能評価には標準的な指標を用いる：局所化の正確さ（正しいバウンディングボックスの割合）、セグメンテーションの重複度を表すDice係数、分類のためのC-statistic（ROC曲線下の面積）。
• リアルタイムの臨床ワークフロー環境でシステムを検証し、現在の基準である医師による視覚的評価（PVA）と比較する。
• 限られた臨床的画像データにおけるモデルの汎化性能を向上させるために、データ拡張およびトランスファー学習の技術を適用する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、医師による視覚的評価と同等またはそれを上回る性能で、侵襲的冠動脈造影画像における狭窄症の局所化を信頼性を持って達成できるか？
• RQ2 1つのCNNモデルが、Dice係数で測定した場合、ICA画像における冠動脈狭窄症のセグメンテーションをどの程度正確に実行できるか？
• RQ3 エンドツーエンドの深層学習システムは、PVAに比べてリアルタイムの狭窄症評価における偽陽性率を改善できるか？
• RQ4 高負荷の心臓カテーテルラボ環境においても、深層学習システムがQCAの主要タスクをリアルタイムで自動化できるか？
• RQ5 臨床現場で利用可能な自動化システムを構築することは可能であり、RCA狭窄症の特徴付けにおいてPVAの診断正確さを上回るか？

主な発見

• 提案されたCNNモデルは、テストデータにおいて72.7%の局所化正確さを達成し、ICA画像における狭窄症領域の強固な検出を示した。
• モデルは、狭窄症のセグメンテーションにおいて0.704のDice係数を達成し、正解の病変境界と強い重複を示した。
• 狭窄症分類に関しては、C-statisticが0.825を記録し、正常血管と狭窄症血管を良好に区別できる性能を示した。
• エンドツーエンドのシステムは、現在の臨床的基準である医師による視覚的評価（PVA）に比べ、統計的に有意に偽陽性率を低減した。
• これは、リアルタイムの右冠動脈（RCA）狭窄症解析において、PVAを上回る自動化された深層学習システムが実現可能であることを示す最初の研究である。
• 本研究の結果は、臨床的心臓病学における深層学習を用いた自動的・リアルタイムな冠動脈狭窄症特徴付けの新しいベンチマークを確立した。