[論文レビュー] Automatic Detection and Characterization of Coronary Artery Plaque and Stenosis using a Recurrent Convolutional Neural Network in Coronary CT Angiography

Majd Zreik, Robbert W. van Hamersvelt+4 more|arXiv (Cornell University)|Apr 11, 2018

Cardiac Imaging and Diagnostics参考文献 31被引用数 7

ひとこと要約

本研究では、冠動脈CTアンジオグラフィ（CCTA）および中心線データを分析するマルチタスク再帰的畳み込みニューラルネットワークを提案し、冠動脈プラークのタイプ（非石灰化、混合、石灰化）と狭窄の重症度（有意でない、有意）を自動的に同定・分類する。モデルはプラークおよび狭窄の同定において高い正確性を達成し、さらなる心血管評価のための患者の自動トリアージを可能にする。

ABSTRACT

Different types of atherosclerotic plaque and varying grades of stenosis lead to different management of patients with obstructive coronary artery disease. Therefore, it is crucial to determine the presence and classify the type of coronary artery plaque, as well as to determine the presence and the degree of a stenosis. The study includes consecutively acquired coronary CT angiography (CCTA) scans of 131 patients. In these, presence and plaque type in the coronary arteries (no plaque, non-calcified, mixed, calcified) as well as presence and anatomical significance of coronary stenosis (no stenosis, non-significant, significant) were manually annotated by identifying the start and end points of the fragment of the artery affected by the plaque. To perform automatic analysis, a multi-task recurrent convolutional neural network is utilized. The network uses CCTA and coronary artery centerline as its inputs, and extracts features from the region defined along the coronary artery centerline using a 3D convolutional neural network. Subsequently, the extracted features are used by a recurrent neural network that performs two simultaneous multi-label classification tasks. In the first task, the network detects and characterizes the type of the coronary artery plaque. In the second task, the network detects and determines the anatomical significance of the coronary artery stenosis. The results demonstrate that automatic characterization of coronary artery plaque and stenosis with high accuracy and reliability is feasible. This may enable automated triage of patients to those without coronary plaque, and those with coronary plaque and stenosis in need for further cardiovascular workup.

研究の動機と目的

• CCTAスキャンにおける冠動脈プラークタイプの自動検出および分類のための手法を開発すること。
• 深層学習を用いて冠動脈狭窄の解剖学的有意性（有意でない vs. 有意）を特定すること。
• プラークの有無および狭窄の重症度に基づいて、臨床的フォローアップのための患者の自動トリアージを可能にすること。
• 手動アノテーションの置き換えとして信頼性の高いエンドツーエンド自動分析を導入することで、診断の効率を向上させること。

提案手法

• モデルは、CCTAスキャンにおける冠動脈中心線に沿った領域から特徴を抽出するために3次元畳み込みニューラルネットワークを用いる。
• 再帰的ニューラルネットワークが抽出された特徴を処理し、2つの同時マルチラベル分類タスクを実行する。
• 最初のタスクはプラークタイプの分類：プラークなし、非石灰化、混合、石灰化。
• 2番目のタスクは狭窄の重症度の特定：狭窄なし、有意でない、有意。
• ネットワークは、手動でアノテートされたプラークおよび狭窄境界を含む131例の連続したCCTAスキャンで訓練された。
• 入力にはCCTA画像および対応する冠動脈中心線が含まれ、空間的特徴抽出を支援する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルはCCTAスキャンにおける冠動脈プラークタイプを正確に検出・分類できるか？
• RQ2 同じモデルは冠動脈狭窄の解剖学的有意性を信頼性高く特定できるか？
• RQ3 マルチタスク学習フレームワークを用いてプラークおよび狭窄の共同検出と特徴記述が可能か？
• RQ4 この自動化システムは、プラークのない患者と、さらなるワークアップを要するプラークおよび狭窄を有する患者を区別することで、臨床的トリアージを支援できるか？

主な発見

• 提案されたモデルは、高い正確性で冠動脈プラークおよび狭窄の共同検出と分類を実現した。
• システムは、プラークの有無および狭窄の重症度に基づいて患者を分類する自動トリアージを可能にした。
• マルチタスク学習アプローチにより、共有特徴を用いてプラークタイプと狭窄の有意性を同時に予測できるようになった。
• 本手法は、CCTAを用いた自動冠動脈解析における臨床的導入の可能性を示した。