[論文レビュー] CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in MPR Images

Mariia Dobko, Bohdan Petryshak+1 more|arXiv (Cornell University)|Jan 23, 2020

Cardiac Imaging and Diagnostics被引用数 4

ひとこと要約

本稿では、CCTAスキャンの曲がったMPR画像における虚血性心疾患の狭窄スコアを分類する、完全自動化された深層学習フレームワークであるCNN-CASSを提案する。中心線抽出や特徴量設計を不要とし、708例のトレーニングデータと105例のテストデータから構成される新規収集データセットを用いて、患者単位で80%の正確性を達成した。モデルの解釈性は勾配ベースの可視化により示された。

ABSTRACT

To decrease patient waiting time for diagnosis of the Coronary Artery Disease, automatic methods are applied to identify its severity using Coronary Computed Tomography Angiography scans or extracted Multiplanar Reconstruction (MPR) images, giving doctors a second-opinion on the priority of each case. The main disadvantage of previous studies is the lack of large set of data that could guarantee their reliability. Another limitation is the usage of handcrafted features requiring manual preprocessing, such as centerline extraction. We overcome both limitations by applying a different automated approach based on ShuffleNet V2 network architecture and testing it on the proposed collected dataset of MPR images, which is bigger than any other used in this field before. We also omit centerline extraction step and train and test our model using whole curved MPR images of 708 and 105 patients, respectively. The model predicts one of three classes: 'no stenosis' for normal, 'non-significant' - 1-50% of stenosis detected, 'significant' - more than 50% of stenosis. We demonstrate model's interpretability through visualization of the most important features selected by the network. For stenosis score classification, the method shows improved performance comparing to previous works, achieving 80% accuracy on the patient level. Our code is publicly available.

研究の動機と目的

• CCTAスキャンにおける虚血性心疾患の診断までの患者待機時間を短縮するため、狭窄スコア分類を自動化すること。
• 従来の研究の限界を克服するため、800例を超える公開可能な大規模データセットを用い、本分野における以前のデータスケールを上回ること。
• 中心線抽出や手作業による特徴量設計に依存しないようにすることで、完全な自動化を実現すること。
• 統合勾配を用いた顕著な領域の可視化により、モデルの解釈性を向上させ、臨床的信頼性と意思決定の検証を支援すること。
• 解剖学的アライメントやセグメンテーションを必要とせず、全体の曲がったMPR画像を用いた2次元畳み込みニューラルネットワークを用いて、最先端の性能を示すこと。

提案手法

• 本手法は、708例の患者用MPR画像をトレーニング用、105例をテスト用として使用するカスタムデータセット上で微調整された事前学習済みShuffleNet V2アーキテクチャを採用する。
• 入力データは、中心線抽出や血管アライメントなどの前処理を施さない、CCTAスキャンから抽出した全体の曲がったMPR画像である。
• モデルは狭窄を3クラスに分類する：「狭窄なし」、「非有意（1〜50％狭窄）」、「有意（50％以上狭窄）」。
• モデルの解釈性は、予測における入力画像の最も影響力のある領域を可視化するために統合勾配を用いて達成される。
• 各冠動脈ごとの最終分類では、1枚のMPR画像あたり50回の予測を集約し、多数決によりクラスを決定する。
• 3次元畳み込みニューラルネットワークやセグメンテーションを回避し、2次元MPR画像からのエンドツーエンド学習に依存することで、複雑さと計算コストを低減する。

実験結果

リサーチクエスチョン

• RQ1 中心線抽出や手作業による特徴量設計を一切行わない状態で、深層学習モデルが虚血性心疾患の狭窄重症度を高い正確性で分類できるか？
• RQ2 より大規模で公開可能なMPR画像データセットを用いることで、従来の小規模な研究に比べ、狭窄分類モデルの信頼性と性能が向上するか？
• RQ3 勾配ベースの顕著性マップによるモデルの解釈性は、臨床的信頼性を高め、レントゲン診断医が境界に近い症例を評価するのを支援できるか？
• RQ4 前処理やアライメント済み血管データに依存する従来手法と比較して、曲がったMPR画像に2次元畳み込みニューラルネットワークを適用した場合の性能はどのように異なるか？
• RQ5 モデルの誤りの主な原因は何か。また、アーキテクチャ的改善や前処理の見直しによってその誤りは軽減可能か？

主な発見

• 提案されたCNN-CASSモデルは、狭窄スコアの患者単位分類において80%の正確性を達成し、本タスクにおける従来手法を上回った。
• 中心線抽出や手作業による特徴量設計が不要となり、分類パイプラインの完全自動化が実現された。
• 統合勾配を用いた可視化により、モデルが解剖学的に関連する領域（血管ラミナーやプラーク領域）に注目していることが明らかになり、解釈性が向上した。
• 高い正確性を示す一方で、特に胸郭や肋骨付近の石灰化プラークが病理的狭窄と誤判定される場合があり、同じHounsfield単位の強度を示すためである。
• モデルの性能は、複雑な解剖学的構造を有するさまざまなMPRビューにおいても一貫しており、動脈ラミナーおよび狭窄領域に明確に注目している。
• 研究者は800例を超える患者用MPR画像からなる新規データセットを公開した。これは、本分野でこれまでに使用されたものよりも大規模であり、今後の研究を支援する。