[論文レビュー] StenUNet: Automatic Stenosis Detection from X-ray Coronary Angiography

Hui Lin, Tom Liu+2 more|arXiv (Cornell University)|Oct 23, 2023

Coronary Interventions and Diagnostics被引用数 5

ひとこと要約

StenUNet は、X線冠動脈造影における正確でピクセル単位の狭窄検出を可能にするU-Netベースの深層学習モデルであり、ARCADEチャレンジのテストセットで53.48%のF1スコアを達成し、全チーム中3位の順位を獲得した。前処理により誤検出を低減し、後処理により小さな誤検出領域を除去することで、ベースライン手法に比べて検出精度を顕著に向上させた。

ABSTRACT

Coronary angiography continues to serve as the primary method for diagnosing coronary artery disease (CAD), which is the leading global cause of mortality. The severity of CAD is quantified by the location, degree of narrowing (stenosis), and number of arteries involved. In current practice, this quantification is performed manually using visual inspection and thus suffers from poor inter- and intra-rater reliability. The MICCAI grand challenge: Automatic Region-based Coronary Artery Disease diagnostics using the X-ray angiography imagEs (ARCADE) curated a dataset with stenosis annotations, with the goal of creating an automated stenosis detection algorithm. Using a combination of machine learning and other computer vision techniques, we propose the architecture and algorithm StenUNet to accurately detect stenosis from X-ray Coronary Angiography. Our submission to the ARCADE challenge placed 3rd among all teams. We achieved an F1 score of 0.5348 on the test set, 0.0005 lower than the 2nd place.

研究の動機と目的

• X線冠動脈造影からの手動による狭窄評価における高い評価者間および評価者内ばらつきを是正すること。
• 正確性を高め、臨床的作業負荷を軽減する、自動的かつ再現性のある狭窄検出手法を開発すること。
• バウンディングボックスやクラス活性化マップに依存するのではなく、正確なピクセル単位の狭窄領域セグメンテーションを達成すること。
• 低品質または困難なフレームにおいても強靭性を高めるために、前処理および後処理技術を用いること。
• 1枚あたり5秒未満の推論時間でリアルタイム導入が可能であり、臨床現場への統合に適していること。

提案手法

• StenUNet は、空間的詳細を保持するためのスキップ接続を備えたエンコーダ・デコーダ構造のU-Netアーキテクチャを採用し、ピクセル単位のセグメンテーションを実現する。
• 検出の前処理として、血管強調処理やノイズ低減処理を組み合わせることで、誤検出の抑制を図る。
• 後処理では、モルフォロジカル操作とサイズフィルタリングを適用し、小さな誤検出領域（おそらく誤検出）を除去する。
• モデルは、ARCADEデータセットからのピクセルレベルの狭窄アノテーションを用いて、バイナリクロスエントロピー損失を用いてエンドツーエンドで学習する。
• このバージョンでは、連続フレームの時間的情報を使用しないが、将来的にはRNNやトランスフォーマーを統合する可能性がある。
• 推論時間は1枚あたり5秒未満に制限され、臨床現場への導入要件を満たす。

Figure 1: The proposed pipeline for stenosis detection from X-ray angiography. An example is from the testing set. StenUNet’s architecture is depicted in Fig. 2 .

実験結果

リサーチクエスチョン

• RQ1 U-Netベースのアーキテクチャは、X線冠動脈造影画像において高精度なピクセル単位の狭窄セグメンテーションを達成できるか？
• RQ2 前処理および後処理の各ステップが、狭窄検出性能に個別および統合的に与える影響は何か？
• RQ3 モデルは、コントラストが低く、狭窄が視覚的に曖昧なフレームに対してもどれほど一般化可能か？
• RQ4 バウンディングボックスや注目マップを用いる最先端手法と比較して、StenUNetのF1スコアはどの程度優れているか？
• RQ5 特に細く、弱い血管を検出できない主な失敗モードは何か？

主な発見

• StenUNet は、ARCADEチャレンジのテストセットで53.48%のF1スコアを達成し、全参加チーム中3位の順位を獲得した。
• アブレーションスタディの結果、前処理のみでF1スコアが1.26%向上し、後処理のみで3.4%向上し、両者を組み合わせることで4.66%の向上が確認された。
• 後処理は、多数の小さな誤検出領域を効果的に除去したことが、図4の緑色の円で視覚的に確認された。
• モデルは、血管の強度が周囲の構造物と著しく低い細い、低コントラストの動脈領域の検出に苦労した。
• 誤検出は、血管の交差部で頻発し、密集した交差がモデルを混乱させた。図5の黄色の矢印で示されたように、この現象が顕著に観察された。
• 時間的情報を使用していないにもかかわらず、モデルは強力な性能を示した。これは、将来的に連続フレームのモデリングを統合する可能性を示唆している。

Figure 2: The proposed UNet-based StenUNet for stenosis detection. The reader is referred to Section 2 for more details on the StenUNet algorithm.