[論文レビュー] Plaque Classification in Coronary Arteries from IVOCT Images Using Convolutional Neural Networks and Transfer Learning

Nils Gessert, Markus Heyder+3 more|arXiv (Cornell University)|Apr 11, 2018

Coronary Interventions and Diagnostics参考文献 3被引用数 10

ひとこと要約

本研究では、冠動脈の血管内光学コherenceトモグラフィ（IVOCT）画像を用いた自動プラーク分類のためのディープラーニング手法を提案する。デカルト座標表現された IVOCT Bスキャンに対して事前学習済みの ResNet および Inception モデルを用いた転移学習を活用することで、88.0%の正確性、90.0%の感度、85.5%の特異度を達成し、極座標表現を用いたモデルや事前学習を行わないモデルを上回る性能を示した。

ABSTRACT

Advanced atherosclerosis in the coronary arteries is one of the leading causes of deaths worldwide while being preventable and treatable. In order to image atherosclerotic lesions (plaque), intravascular optical coherence tomography (IVOCT) can be used. The technique provides high-resolution images of arterial walls which allows for early plaque detection by experts. Due to the vast amount of IVOCT images acquired in clinical routines, automatic plaque detection has been addressed. For example, attenuation profiles in single A-Scans of IVOCT images are examined to detect plaque. We address automatic plaque classification from entire IVOCT images, the cross-sectional view of the artery, using deep feature learning. In this way, we take context between A-Scans into account and we directly learn relevant features from the image source without the need for handcrafting features.

研究の動機と目的

• ディープラーニングを用いて IVOCT 画像におけるプラークの有無を自動で分類する手法を開発すること。
• ImageNet からの転移学習を用いることで、限られたアノテート済み医療画像データの課題に対処すること。
• 画像表現（デカルト座標 vs. 極座標）がプラーク分類におけるモデル性能に与える影響を評価すること。
• 事前セグメンテーションに依存せずに、臨床的 IVOCT データに一般的に見られるアーティファクトに対して頑健であるようにモデルを訓練すること。
• 2,868枚のラベル付き B スキャンを含む、41名の患者から得た新しいエキスパートアノテート済み IVOCT データセットを作成・公開すること。

提案手法

• 41名の生存患者から得た 2,868枚のラベル付き B スキャンを用いて、プラークまたは非プラークのエキスパート確認済み真値を有する新しい IVOCT データセットを構築した。
• 画像の幾何学的特性がディープラーニング性能に与える影響を評価するため、IVOCT 画像をデカルト座標系および極座標系の両方で表現した。
• ImageNet で事前学習された ResNet50, ResNet101, InceptionV3, Inception-ResNetV2 モデルを用い、微調整により IVOCT プラーク分類に適用した。
• トレーニング中に、ランダムクロッピング（270×270）、ランダム回転（デカルト）、水平フリップ（極座標）を含むデータオーグメンテーション技術を適用した。
• 一貫した評価を保証するため、推論にはデータオーグメンテーションを一切行わない単一の中央クロップを用いた。
• 各事前学習モデルの最終層を置き換えた後、ドロップアウト（p=0.5）を適用して正則化を施した二値分類ヘッドを訓練した。

実験結果

リサーチクエスチョン

• RQ1 ImageNet からの転移学習は、限られた IVOCT データセットにおけるプラーク分類性能を向上させるか？
• RQ2 デカルト画像表現は、極座標表現よりも IVOCT プラーク分類におけるディープ特徴学習に優れているか？
• RQ3 異なる深層ニューラルネットワークアーキテクチャ（ResNet, Inception）は、IVOCT プラーク分類においてどのように性能を発揮するか？
• RQ4 事前処理手順（例えば、ルーメンセグメンテーションやアーティファクト除去）に依存せずに、ディープラーニングモデルが高精度を達成できるか？
• RQ5 データのアンバランスと画像アーティファクトは、プラーク分類モデルの頑健性と一般化性能にどのような影響を与えるか？

主な発見

• 転移学習はモデル性能を顕著に向上させ、最良のモデルでは ImageNet で微調整した結果、88.0%の正確性、90.0%の感度、85.5%の特異度を達成した。
• 最も優れた性能を示したモデルは、デカルト表現された IVOCT 画像と ImageNet での事前学習を組み合わせた ResNet101 であった。
• すべてのモデルにおいてデカルト画像表現が優れた性能を示し、極座標表現と比較して 5.2% の正確性の絶対的向上（ResNet101 では 88.0% 対 82.8%）を達成した。
• 事前学習を行わない場合、最良のモデルでも 78.9% の正確性にとどまり、限られた医療データにおいて転移学習が性能向上に不可欠であることが示された。
• 事前学習あり・なしの両設定において、ResNet101 が他のアーキテクチャを上回った。これは、本タスクに適している可能性を示唆している。
• 本研究では、複雑な前処理パイプラインに依存せずに、生の IVOCT 画像から頑健な特徴を学習できることが示された。