[논문 리뷰] A Deep learning Approach to Generate Contrast-Enhanced Computerised Tomography Angiography without the Use of Intravenous Contrast Agents

Anirudh Chandrashekar, Ashok Handa외 4명|arXiv (Cornell University)|2020. 03. 02.

Advanced X-ray and CT Imaging인용 수 4

한 줄 요약

이 연구는 정맥 조영제가 필요 없는 비대조 CT 스캔에서 대조강화 CT 혈관조영술(CTA) 영상을 생성하기 위해 사이클 생성 적대 신경망(CycleGAN)을 활용한 딥러닝 기반 접근법을 제안한다. 이 방법은 비대조 데이터의 고유한 허니스필드 단위(Hounsfield unit) 차이를 활용하여 혈관, 혈전, 혈관벽 조직을 성공적으로 구분하며, 높은 시각적 정밀도로 진단 가능한 CTA 유사 영상 생성에 성공한다. 이는 실제 대조강화 스캔과 유사한 결과를 도출한다.

ABSTRACT

Contrast-enhanced computed tomography angiograms (CTAs) are widely used in cardiovascular imaging to obtain a non-invasive view of arterial structures. However, contrast agents are associated with complications at the injection site as well as renal toxicity leading to contrast-induced nephropathy (CIN) and renal failure. We hypothesised that the raw data acquired from a non-contrast CT contains sufficient information to differentiate blood and other soft tissue components. We utilised deep learning methods to define the subtleties between soft tissue components in order to simulate contrast enhanced CTAs without contrast agents. Twenty-six patients with paired non-contrast and CTA images were randomly selected from an approved clinical study. Non-contrast axial slices within the AAA from 10 patients (n = 100) were sampled for the underlying Hounsfield unit (HU) distribution at the lumen, intra-luminal thrombus and interface locations. Sampling of HUs in these regions revealed significant differences between all regions (p<0.001 for all comparisons), confirming the intrinsic differences in the radiomic signatures between these regions. To generate a large training dataset, paired axial slices from the training set (n=13) were augmented to produce a total of 23,551 2-D images. We trained a 2-D Cycle Generative Adversarial Network (cycleGAN) for this non-contrast to contrast (NC2C) transformation task. The accuracy of the cycleGAN output was assessed by comparison to the contrast image. This pipeline is able to differentiate between visually incoherent soft tissue regions in non-contrast CT images. The CTAs generated from the non-contrast images bear strong resemblance to the ground truth. Here we describe a novel application of Generative Adversarial Network for CT image processing. This is poised to disrupt clinical pathways requiring contrast enhanced CT imaging.

연구 동기 및 목표

• 정맥 조영제를 사용하지 않고 진단 수준의 대조강화 CT 혈관조영술(CTA) 영상을 생성하는 방법을 개발하는 것.
• 요오드 기반 조영제와 관련된 대조유발 신우증식 및 환자 불편을 해결하는 것.
• 비대조 CT 데이터의 고유한 방사형학적 특성을 활용하여 대조강화 효과를 시뮬레이션하는 것.
• 과거 비대조 CT 스캔을 후행 분석을 위해 활용하여 혈관 형태학적 변화 및aneurysm 진행 상황 모델링을 가능하게 하는 것.
• 이 방법을 대동맥 이외의 혈관 및 연조직 구조로 확장할 수 있는지 탐색하는 것.

제안 방법

• 2D 사이클 생성 적대 신경망(CycleGAN)을 사용하여 비대조에서 대조로의 영상 변환(NC2C)을 수행하도록 훈련하였다.
• 13명의 환자로부터 확보한 비대조 및 대조강화 CT 축단면 영상 데이터를 훈련 데이터로 사용하였으며, 데이터 증강을 통해 총 23,551장의 영상으로 증가시켰다.
• 루멘, 혈관내 혈전(ILT), 인터페이스 영역에서의 허니스필드 단위(HU) 분포를 분석한 결과 유의미한 통계적 차이가 발견됨(p < 0.001).
• 생성자 네트워크는 비대조 영상의 HU 패턴을 대조강화 영상의 특징에 대응시키는 방식으로 대조강화된 외관을 학습하여 생성하였다.
• 판별자 네트워크는 실제 대조강화 영상과 생성된 영상 간의 구별을 학습하여 출력 영상의 현실성 확보에 기여하였다.
• 생성된 CTA 영상과 실제 대조강화 스캔 간의 시각적 유사성과 구조적 유사성을 비교하여 모델 평가를 수행하였다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 방법이 비대조 CT 데이터만을 사용하여 CT 혈관조영술에서의 대조강화 효과를 정확하게 시뮬레이션할 수 있는가?
• RQ2 비대조 CT 스캔에서의 고유한 허니스필드 단위(HU) 차이가 혈액, 혈전, 혈관벽 성분을 구분하는 데 충분한 정보를 제공하는가?
• RQ3 쌍체 데이터가 없는 조건에서도 사이클GAN 기반 접근법이 진단적으로 유용한 CTA 유사 영상을 생성할 수 있는가?
• RQ4 이 방법이 소동맥(예: 신장동맥)과 같은 미세한 해부학적 구조, 혈액-혈전 경계와 같은 복잡한 인터페이스를 얼마나 잘 유지하는가?
• RQ5 이 방법은 대동맥을 초월한 다른 혈관 및 연조직 구조로도 확장 가능한가?

주요 결과

• 루멘, 혈관내 혈전(ILT), 인터페이스 영역 간에 유의미한 허니스필드 단위(HU) 차이가 존재함(p < 0.001, 모든 비교에서). 이는 고유한 방사형학적 차이가 존재함을 확인한다.
• 사이클GAN 모델은 비대조 CT 스캔에서 실제 대조강화 영상과 유사한 시각적 품질을 갖는 CTA 유사 영상을 성공적으로 생성하였다.
• 모델은 비대조 스캔에서 시각적으로 비일관성 있는 연조직 영역(예: 혈액, 혈전, 혈관벽)을 시각적으로 구분하는 능력을 보였다.
• 생성된 영상은 신장동맥, 척추동맥 등의 미세한 동맥 분지와 같은 세부 해부학적 구조를 잘 유지하였다.
• 이 방법은 과거 비대조 CT 스캔을 활용하여 복합적 대동맥aneurysm의 3차원 기하학적 및 부피 모델링을 포함한 고급 혈관 형태학적 분석을 재활용할 수 있는 잠재력을 제공한다.
• 이 방법은 정맥 조영제 의존도를 줄여 대조유발 신우증식 및 주입 관련 합병증의 위험을 감소시킬 수 있다.