[논문 리뷰] Automated Artery Localization and Vessel Wall Segmentation of Magnetic Resonance Vessel Wall Images using Tracklet Refinement and Polar Conversion

Li Chen, Jie Sun외 7명|arXiv (Cornell University)|2019. 09. 04.

Cerebrovascular and Carotid Artery Diseases참고 문헌 29인용 수 4

한 줄 요약

이 논문은 중심선 검출을 위한 트랙렛 정련과 극좌표 변환을 활용하여 MR 혈관 벽 영상에서 동맥 국소화 및 혈관 벽 세분화를 위한 완전 자동화 시스템을 제안한다. 경동맥(n=116) 및 대퇴동맥(n=5) 데이터셋에서 평가한 결과, 딱지 스코어(Dice score)가 0.824를 기록하여 기존 방법(0.576)과 표준 CNN(0.747)을 크게 능가하였다.

ABSTRACT

Quantitative analysis of vessel wall structures by automated vessel wall segmentation provides useful imaging biomarkers in evaluating atherosclerotic lesions and plaque progression time-efficiently. To quantify vessel wall features, drawing lumen and outer wall contours of the artery of interest is required. To alleviate manual labor in contour drawing, some computer-assisted tools exist, but manual preprocessing steps, such as region of interest identification and boundary initialization are needed. In addition, the prior knowledge of the ring shape of vessel wall is not taken into consideration in designing the segmentation method. In this work, trained on manual vessel wall contours, a fully automated artery localization and vessel wall segmentation system is proposed. A tracklet refinement algorithm is used to robustly identify the centerlines of arteries of interest from a neural network localization architecture. Image patches are extracted from the centerlines and segmented in a polar coordinate system to use 3D information and to overcome problems such as contour discontinuity and interference from neighboring vessels. From a carotid artery dataset with 116 subjects (3406 slices) and a popliteal artery dataset with 5 subjects (289 slices), the proposed system is shown to robustly identify the artery of interest and segment the vessel wall. The proposed system demonstrates better performance on the carotid dataset with a Dice similarity coefficient of 0.824, compared with traditional vessel wall segmentation methods, Dice of 0.576, and traditional convolutional neural network approaches, Dice of 0.747. This vessel wall segmentation system will facilitate research on atherosclerosis and assist radiologists in image review.

연구 동기 및 목표

• 혈관 벽 세분화 과정에서 영역의 관심(ROI) 선택 및 경계 초기화와 같은 수동 전처리 단계를 제거하기 위해.
• 혈관 벽의 고유한 고리 모양의 구조를 활용하여 세분화의 강건성과 정확도를 향상시키기 위해.
• 3D MR 혈관 벽 영상에서 동맥 국소화 및 벽 세분화를 위한 완전 자동화 파이프라인을 개발하기 위해.
• 3D 공간적 맥락을 통합하여 연속성 끊어짐 문제를 해결하고 세분화 성능을 향상시키기 위해.
• 수동 노력 감소를 통해 정량적 동맥경화성 플라크 분석과 방사선과학적 워크플로우를 지원하기 위해.

제안 방법

• 신경망 기반의 국소화 아키텍처가 3D MR 혈관 벽 영상에서 후보 동맥 중심선을 식별한다.
• 트랙렛 정련을 적용하여 슬라이스 간 중심선 세그먼트를 연결하고 정밀화함으로써 연속성과 정확도를 향상시킨다.
• 정련된 중심선 沿해 영상 패치를 추출하고, 3D 혈관 벽 기하학을 유지하기 위해 극좌표계로 변환한다.
• 극좌표 변환을 통해 원형 혈관 벽 구조를 더 잘 모델링하고 인접 혈관의 간섭을 줄일 수 있다.
• 세분화 네트워크가 극좌표로 변환된 패치를 처리하여 내강과 외벽 경계를 구분한다.
• 극좌표 표현을 통해 3D 정보를 통합함으로써 연속성 끊어짐과 노이즈에 대한 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 트랙렛 정련은 3D MR 혈관 벽 영상에서 동맥 중심선 검출의 정확도와 연속성을 향상시킬 수 있는가?
• RQ2 극좌표 변환은 고리 모양 해부학적 특성을 더 잘 모델링함으로써 혈관 벽 세분화를 향상시키는가?
• RQ3 수동 초기화 없이도 완전 자동화 시스템이 기존 방법과 CNN 기반 방법을 능가할 수 있는가?
• RQ4 이러한 방법은 경동맥과 대퇴동맥과 같은 다양한 혈관 유형에서 어떻게 성능을 발휘하는가?
• RQ5 선천적 해부학적 지식(고리 형태)을 통합할 경우 세분화의 강건성과 딱지 스코어는 어느 정도 향상되는가?

주요 결과

• 제안된 시스템은 경동맥 데이터셋에서 딱지 유사도 계수 0.824를 기록하여 기존 방법(0.576)을 크게 능가하였다.
• 동일한 데이터셋에서 표준 컨volution 신경망 접근법이 달성한 딱지 스코어 0.747보다도 뛰어난 성능을 보였다.
• 시스템은 경동맥(3406 슬라이스, 116명의 환자) 및 대퇴동맥(289 슬라이스, 5명의 환자) 데이터셋 모두에서 강건한 성능을 보였다.
• 극좌표 변환의 사용이 중심선 끊어짐 문제와 인접 혈관 간섭 문제를 효과적으로 완화하였다.
• 트랙렛 정련이 슬라이스 간 중심선의 연속성을 성공적으로 향상시켜 세분화를 위한 정확한 패치 추출을 가능케 하였다.
• 수동 영역의 관심 선택 및 경계 초기화가 필요 없어져 완전 자동화가 가능해졌다.