[論文レビュー] Automatic Coronary Artery Plaque Quantification and CAD-RADS Prediction using Mesh Priors

Rudolf L. M. van Herten, Nils Hampe+8 more|arXiv (Cornell University)|Oct 17, 2023

Cardiac Imaging and Diagnostics被引用数 4

ひとこと要約

本稿では、CCTAスキャンから中心線プライアを用いて、トポロジカルに有効な冠動脈ラミナおよびプラーク表面メッシュを直接生成するディープラーニング手法を提案する。これにより、自動的かつ高精度なプラーク定量とCAD-RADS分類が可能となる。ホールドアウトテストセットにおいて、石灰化プラークでは組内相関係数が0.98を達成し、患者レベルのCAD-RADSスコアリングでは線形加重カッパが0.75を示した。

ABSTRACT

Coronary artery disease (CAD) remains the leading cause of death worldwide. Patients with suspected CAD undergo coronary CT angiography (CCTA) to evaluate the risk of cardiovascular events and determine the treatment. Clinical analysis of coronary arteries in CCTA comprises the identification of atherosclerotic plaque, as well as the grading of any coronary artery stenosis typically obtained through the CAD-Reporting and Data System (CAD-RADS). This requires analysis of the coronary lumen and plaque. While voxel-wise segmentation is a commonly used approach in various segmentation tasks, it does not guarantee topologically plausible shapes. To address this, in this work, we propose to directly infer surface meshes for coronary artery lumen and plaque based on a centerline prior and use it in the downstream task of CAD-RADS scoring. The method is developed and evaluated using a total of 2407 CCTA scans. Our method achieved lesion-wise volume intraclass correlation coefficients of 0.98, 0.79, and 0.85 for calcified, non-calcified, and total plaque volume respectively. Patient-level CAD-RADS categorization was evaluated on a representative hold-out test set of 300 scans, for which the achieved linearly weighted kappa ($κ$) was 0.75. CAD-RADS categorization on the set of 658 scans from another hospital and scanner led to a $κ$ of 0.71. The results demonstrate that direct inference of coronary artery meshes for lumen and plaque is feasible, and allows for the automated prediction of routinely performed CAD-RADS categorization.

研究の動機と目的

• ボクセル単位のセグメンテーションの限界を解消するため、しばしば解剖学的に妥当な形状を生成できない問題に対処すること。
• 冠動脈ラミナおよびプラークの表面メッシュを直接推定することで、CCTAにおけるプラーク定量と狭窄度評価の臨床的ワークフローを自動化すること。
• 手動または準自動的評価に代えてディープラーニングベースのメッシュ生成フレームワークを導入することで、CAD-RADS分類の再現性を高め、観察者間差を低減すること。
• 従来のセグメンテーションで生じる一般的なアーチファクトを回避するため、中心線プライアを用いてラミナおよびプラーク構造のトポロジカルな正しさを保証すること。
• 複数のスキャナーや施設から得た多様なデータを用いて評価し、異なる画像取得プロトコルおよび患者集団においても安定した性能を示すことを確認すること。

提案手法

• 中心線トレースされた冠動脈から導出されたシリンダーデータを処理する1次元畳み込みニューラルネットワーク（1D ResNet）を用い、血管経路に沿った空間的モデリングを可能にする。
• ネットワーク出力から直接、ラミナおよびプラーク（石灰化、非石灰化、合計）の表面メッシュを予測し、トポロジカルに有効で解剖学的に妥当な形状を保証する。
• 中心線プライアを用いて、冠動脈樹全体にわたり一貫性があり連続的なメッシュを生成するようにネットワークをガイドし、メッシュ頂点を血管経路に一致させる。
• 複数のベンダーおよびスキャナータイプからの2407例のCCTAスキャンを用い、熟練者によるアノテーションを基準として、エンドツーエンドで訓練された。
• CAD-RADS分類は、予測されたメッシュベースのラミナおよびプラーク体積から得られる全冠動脈における最大狭窄度の重症度を分析することで実施する。
• 閉塞や異常なオステアによる中心線抽出エラーに起因する失敗ケースは、除外基準を用いて処理され、将来的には手動のシードポイントを用いたインタラクティブなリファインメントが可能となる。

実験結果

リサーチクエスチョン

• RQ1 中心線プライアを用いたCCTAデータからの直接的メッシュ生成は、冠動脈ラミナおよびプラークの正確かつトポロジカルに有効なセグメンテーションを達成できるか？
• RQ2 本手法のメッシュベースのアプローチは、従来のボクセル単位のセグメンテーションと比較して、プラーク体積定量の精度においてどのように優れているか？
• RQ3 本手法は、熟練者による読影と高い一致度を示すまでに、どの程度CAD-RADS分類を自動化できるか？
• RQ4 本手法は、スキャナータイプ、再構成パラメータ、および多施設データにおける患者解剖の変動に対して、どの程度頑健であるか？
• RQ5 完全閉塞やブローミングアーチファクトが生じる場合の主な失敗モードは何か、特にその影響は？

主な発見

• 石灰化プラーク体積の組内相関係数（ICC）は0.98、非石灰化プラークは0.79、合計プラークは0.85を示し、高い再現性を示した。
• 代表的なホールドアウトテストセット（300例）において、患者レベルのCAD-RADS分類は線形加重カッパ（κ）が0.75に達し、熟練者読影と実質的な一致を示した。
• 別の病院およびスキャナからの外部テストセット（658例）でも、κは0.71を達成し、スキャナーや施設の違いに対しても頑健であることを示した。
• 基準基準と比較して、1つのCAD-RADSカテゴリ以上に誤分類されたスキャンは全体の3.5%にとどまり、強力な信頼性を示した。
• 2407例中2例のみが、認識されない異常なオステアに起因して失敗したため、中心線抽出の信頼性が極めて高いことが示された。
• 1Dビジョントランスフォーマーは1D ResNetよりも成績が悪く（κ = 0.63）、「局所的」な依存関係が狭窄度予測においてより重要であると考えられる。