[論文レビュー] CNN-based Landmark Detection in Cardiac CTA Scans

Julia M. H. Noothout, Bob D. de Vos+3 more|arXiv (Cornell University)|Apr 13, 2018

Medical Imaging and Analysis参考文献 18被引用数 22

ひとこと要約

本論文は、心臓CTAスキャンにおける6つの臨床的に重要な解剖学的ランドマークを同時に回帰と分類することで検出する、パッチベースの完全畳み込みニューラルネットワーク（FCNN）を提案する。分類によりランドマークに近いパッチを特定し、これらのパッチからの変位ベクトルを平均化することで、前処理や事前セグメンテーションを必要とせず、平均局所化誤差が3mm未満の高い正確性を達成した。

ABSTRACT

Fast and accurate anatomical landmark detection can benefit many medical image analysis methods. Here, we propose a method to automatically detect anatomical landmarks in medical images. Automatic landmark detection is performed with a patch-based fully convolutional neural network (FCNN) that combines regression and classification. For any given image patch, regression is used to predict the 3D displacement vector from the image patch to the landmark. Simultaneously, classification is used to identify patches that contain the landmark. Under the assumption that patches close to a landmark can determine the landmark location more precisely than patches farther from it, only those patches that contain the landmark according to classification are used to determine the landmark location. The landmark location is obtained by calculating the average landmark location using the computed 3D displacement vectors. The method is evaluated using detection of six clinically relevant landmarks in coronary CT angiography (CCTA) scans: the right and left ostium, the bifurcation of the left main coronary artery (LM) into the left anterior descending and the left circumflex artery, and the origin of the right, non-coronary, and left aortic valve commissure. The proposed method achieved an average Euclidean distance error of 2.19 mm and 2.88 mm for the right and left ostium respectively, 3.78 mm for the bifurcation of the LM, and 1.82 mm, 2.10 mm and 1.89 mm for the origin of the right, non-coronary, and left aortic valve commissure respectively, demonstrating accurate performance. The proposed combination of regression and classification can be used to accurately detect landmarks in CCTA scans.

研究の動機と目的

• 心臓CTAスキャンにおける自動解剖学的ランドマーク検出のための正確でエンドツーエンドの手法を開発すること。
• 手動で特徴を設計する必要があり、全探索に依存する従来の機械学習手法の限界を克服すること。
• 血管セグメンテーションや初期ランドマークの局所化などの前処理ステップを排除すること。
• 分類（関連パッチの特定）と回帰（3次元変位の予測）を組み合わせることで、局所化の正確性を向上させること。
• 冠動脈および大動脈根部における6つの臨床的に重要なランドマークに対して、手法を評価すること。

提案手法

• 3次元画像パッチの中心から目的のランドマークまでの3次元変位ベクトルを予測する完全畳み込みニューラルネットワーク（FCNN）を訓練する。
• 同時に、与えられたパッチがランドマークを含むかどうかを示す2値分類も実行する。
• 最終的なランドマーク位置は、陽性（ランドマークを含む）と分類されたパッチの予測変位ベクトルの平均値によって計算する。
• パッチの関連性を評価する分類損失と、変位予測の回帰損失の両方を組み合わせてネットワークを訓練する。
• 学習の安定性を高め、外れ値の影響を軽減するために、トレーニング中に大きな変位ベクトルに対数変換を適用する。
• 本手法は、1 mm、1.5 mm、3 mmの3つの等方的解像度における3次元CTAボリュームで評価された。

実験結果

リサーチクエスチョン

• RQ1 結合回帰と分類のFCNNアプローチは、単独の回帰または分類と比較して、心臓CTAにおけるランドマーク検出の正確性を向上させることができるか？
• RQ2 ランドマークに近いと分類されたパッチのみを用いることで、全パッチを用いる場合よりも良好な局所化が達成できるか？
• RQ3 画像解像度は、提案手法の性能にどのように影響するか？
• RQ4 血管セグメンテーションや初期ランドマークのシーディングなどの前処理を必要とせずに、高い正確性を達成できるか？
• RQ5 変位ベクトルの対数変換は、学習の安定性と検出正確性の向上に有効であるか？

主な発見

• 右冠動脈オステオットの平均ユークリッド距離誤差は2.19 mm、左冠動脈オステオットは2.88 mmであった。
• 左冠動脈幹分岐部の局所化誤差は平均3.78 mmであった。
• 右冠動脈、非冠動脈、左大動脈弁輪の各コンミスチャーの起源は、それぞれ1.82 mm、2.10 mm、1.89 mmの誤差で検出された。
• 1.5 mm等方的解像度にリサイズした画像は3 mm解像度のものよりもより正確な結果を示したが、1 mm解像度では最適なパフォーマンスを得るための十分なコンテキストが得られなかった。
• 本手法は、セグメンテーションや初期ランドマークのシーディングなどの前処理を必要とせず、先行研究の最良手法と同等またはそれを上回る正確性を達成した。
• 分類と回帰の組み合わせにより正確性が顕著に向上した。分類により、遠く離れたパッチからの低品質な回帰予測が効果的にフィルタリングされた。