[論文レビュー] Automated Detection of Coronary Artery Stenosis in X-ray Angiography using Deep Neural Networks

Dinis L. Rodrigues, Miguel Nobre Menezes+2 more|arXiv (Cornell University)|Mar 4, 2021

Cardiac Imaging and Diagnostics参考文献 23被引用数 13

ひとこと要約

本稿では、転移学習とRetinaNetベースのオブジェクト検出を用いて、X線心臓造影画像における冠動脈狭窄の自動検出を目的とした2段階のディープラーニングフレームワークを提案する。視床動脈の左/右側視野分類において0.97の精度を達成し、狭窄部位の局在化において0.68〜0.73の再現率を示し、単一および複数の狭窄を検出する既存手法を上回る性能を発揮した。

ABSTRACT

Coronary artery disease leading up to stenosis, the partial or total blocking of coronary arteries, is a severe condition that affects millions of patients each year. Automated identification and classification of stenosis severity from minimally invasive procedures would be of great clinical value, but existing methods do not match the accuracy of experienced cardiologists, due to the complexity of the task. Although a number of computational approaches for quantitative assessment of stenosis have been proposed to date, the performance of these methods is still far from the required levels for clinical applications. In this paper, we propose a two-step deep-learning framework to partially automate the detection of stenosis from X-ray coronary angiography images. In the two steps, we used two distinct convolutional neural network architectures, one to automatically identify and classify the angle of view, and another to determine the bounding boxes of the regions of interest in frames where stenosis is visible. Transfer learning and data augmentation techniques were used to boost the performance of the system in both tasks. We achieved a 0.97 accuracy on the task of classifying the Left/Right Coronary Artery (LCA/RCA) angle view and 0.68/0.73 recall on the determination of the regions of interest, for LCA and RCA, respectively. These results compare favorably with previous results obtained using related approaches, and open the way to a fully automated method for the identification of stenosis severity from X-ray angiographies.

研究の動機と目的

• 侵襲的冠動脈造影（ICA）における冠動脈狭窄の自動的かつ高精度な検出の臨床的ニーズに対応し、専門家による解釈に依存するのを減らす。
• 画像の複雑さと強固なトレーニングデータの不足により、現在の計算手法が心臓専門医レベルの精度に達しないという限界を克服する。
• 最小限の人的介入でX線造影画像から狭窄の重症度を特定できる、スケーラブルでエンドツーエンドのディープラーニングパイプラインを開発する。
• 9,378件のシーケンス（438名の患者から得た匿名化されたICAデータセット）を用い、転移学習とデータ拡張を活用することで、検出性能を向上させる。
• 狭窄部位の正確な局在化に注力することで、将来の機能的評価指標（例：iFR）との統合を可能にする。

提案手法

• 2段階のフレームワークを採用：第1段階では、転移学習と微調整を用いて、ResNet-50ベースの分類器で視野角度（左冠動脈LCAまたは右冠動脈RCA）を特定する。
• データ拡張と画像スケーリングを適用し、一般化性能を向上させるとともに、推論時間を短縮しながらも高い精度を維持する。
• 第2段階では、特徴マップピラミッドネットワーク（FPN）を備えた単一スナップショットオブジェクト検出器であるRetinaNetを用いて狭窄を検出する。
• 専門家によるアノテーションから得た正解ボクシングボックスを用い、LCAおよびRCA用に別々のRetinaNetモデルをトレーニングし、評価には信頼度スコアとIoU閾値を用いる。
• 狭窄部と非狭窄部の区別を高めるために、バックグラウンド（BG）および正常（NL）のフレームをトレーニングに組み込む。
• 評価指標として、真陽性検出の基準としてIoU > 0.2および信頼度スコア > 0.5を採用する。

実験結果

リサーチクエスチョン

• RQ1 2段階のディープラーニングフレームワークは、X線心臓造影画像から冠動脈視野角度（LCA/RCA）を高精度に分類できるか？
• RQ2 転移学習とデータ拡張を活用したRetinaNetベースのオブジェクト検出は、複雑な造影画像における狭窄部位の局在化をどの程度向上できるか？
• RQ3 背景および健康な冠動脈フレーム（ネガティブ例）を含めることで、モデルの狭窄部と非狭窄部の区別能力にどのような影響を与えるか？
• RQ4 類似した評価指標を用いた場合、本手法は既存の最先端手法と比較してどの程度の性能を示すか？
• RQ5 特にiFR値が閾値を超える困難なケースにおいて、モデルは1フレームに複数の狭窄を信頼性高く検出できるか？

主な発見

• 微調整されたResNet-50を用いた場合、左または右冠動脈視野角度の分類において0.97の精度と0.97のF1スコアを達成した。
• 狭窄検出に関しては、LCAでは最大5件の検出に対し0.68の再現率と0.72の適合率を、RCAでは0.73の再現率と0.74の適合率を達成した。
• 類似した評価条件下で、Congら[4]の報告（LCAで0.60の再現率、RCAで0.71）を上回った。
• 単一狭窄を伴うフレームでは性能が最も高く、1フレームに複数の狭窄がある場合の検出は依然として課題であり、背景領域に誤検出が一部見られた。
• 背景および正常フレーム（BGNL）を含めることでLCAの検出性能が向上したが、RCAの性能向上には寄与しなかった。これは、異なるデータ分布の課題を示唆している。
• iFR値が閾値を超える困難なケースにおいても、狭窄の検出が安定して行われることを示し、将来的な機能的評価統合への可能性を示した。