[논문 리뷰] Automated Characterization of Stenosis in Invasive Coronary Angiography Images with Convolutional Neural Networks

B. Au, Uri Shaham외 8명|arXiv (Cornell University)|2018. 07. 19.

Coronary Interventions and Diagnostics참고 문헌 27인용 수 21

한 줄 요약

이 논문은 침습적 coronography angiography (ICA) 영상에서 stenosis 특성 분석을 자동화하기 위해 컨volutional neural networks (CNNs)를 사용하는 딥러닝 프레임워크를 제안한다. 이는 오른쪽 관상동맥 (RCA) stenosis의 실시간 국소화, 분할, 분류를 달성하며, 의료진의 시각적 평가 (PVA)보다 통계적으로 유의미한 향상을 보였다. 국소화 정확도 72.7%, Dice 계수 0.704, C-statistic 0.825를 기록했으며, 빠른 RCA stenosis 분석에서 임상 표준을 뛰어넘는 첫 번째 종단 간 자동화 시스템이다.

ABSTRACT

The determination of a coronary stenosis and its severity in current clinical workflow is typically accomplished manually via physician visual assessment (PVA) during invasive coronary angiography. While PVA has shown large inter-rater variability, the more reliable and accurate alternative of Quantitative Coronary Angiography (QCA) is challenging to perform in real-time due to the busy workflow in cardiac catheterization laboratories. We propose a deep learning approach based on Convolutional Neural Networks (CNN) that automatically characterizes and analyzes coronary stenoses in real-time by automating clinical tasks performed during QCA. Our deep learning methods for localization, segmentation and classification of stenosis in still-frame invasive coronary angiography (ICA) images of the right coronary artery (RCA) achieve performance of 72.7% localization accuracy, 0.704 dice coefficient and 0.825 C-statistic in each respective task. Integrated in an end-to-end approach, our model's performance shows statistically significant improvement in false discovery rate over the current standard in real-time clinical stenosis assessment, PVA. To the best of the authors' knowledge, this is the first time an automated machine learning system has been developed that can implement tasks performed in QCA, and the first time an automated machine learning system has demonstrated significant improvement over the current clinical standard for rapid RCA stenosis analysis.

연구 동기 및 목표

• 침습적 관상동맥 조영술에서 의료진의 시각적 평가 (PVA)가 가지는 높은 평가자 간 변동성을 해결하기 위해.
• 빠른 속도의 catheterization 랩에서 시간이 오래 걸리고 실용성이 떨어지는 정량적 관상동맥 조영술 (QCA)의 실시간 대체 방법을 개발하기 위해.
• 정지 영상인 ICA 이미지에서 stenosis 국소화, 분할, 분류와 같은 핵심 QCA 작업을 자동화하는 딥러닝 파이프라인을 구현하기 위해.
• 종단 간 CNN 기반 시스템이 임상 stenosis 평가에서 PVA에 비해 거짓 발견률을 유의미하게 감소시킬 수 있는지 평가하기 위해.
• 임상 환경에서 딥러닝을 활용한 실시간 관상동맥 stenosis 분석을 위한 기준을 설정하기 위해.

제안 방법

• 오른쪽 관상동맥 (RCA)의 정지 영상인 침습적 관상동맥 조영술 (ICA) 영상에 대해 종단 간으로 훈련된 고유의 컨volutional neural network (CNN) 아키텍처를 사용한다.
• 모델은 세 가지 동시 작업을 수행한다: stenosis 국소화 (경계 상자 예측), 분할 (픽셀 수준의 병변 경계 설정), 분류 (stenosis 심각도 평가).
• annotation이 된 임상 ICA 영상 데이터를 사용하여 국소화, 분할, 분류를 동시에 최적화하는 다중 작업 학습 프레임워크를 사용한다.
• 성능 평가에 표준 지표를 사용한다: 국소화 정확도 (정확한 경계 상자 비율), 분할의 겹침을 위한 Dice 계수, 분류의 경우 ROC 곡선 아래 면적(C-statistic).
• 실시간 임상 워크플로우 환경에서 시스템을 검증하고, 현재 표준으로 여겨지는 의료진의 시각적 평가 (PVA)와 비교한다.
• 제한된 임상 영상 데이터에서의 일반화 능력을 향상시키기 위해 데이터 증강 및 전이 학습 기법을 적용한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 의료진의 시각적 평가 수준 이상 또는 이를 초월하는 성능으로 침습적 관상동맥 조영술 영상에서 신뢰할 수 있는 stenosis 국소화를 달성할 수 있는가?
• RQ2 한 번의 CNN 모델이 ICA 영상에서 관상동맥 stenosis를 얼마나 정확하게 분할할 수 있는가? (Dice 계수로 측정함)
• RQ3 종단 간 딥러닝 시스템이 PVA에 비해 실시간 stenosis 평가에서 거짓 발견률을 유의미하게 감소시킬 수 있는가?
• RQ4 높은 작업 부담이 있는 심장 캐터터라이제이션 랩 환경에서도 딥러닝 시스템이 QCA의 핵심 작업을 실시간으로 자동화할 수 있는가?
• RQ5 의료 현장에서 활용 가능한 자동화된 시스템을 개발할 수 있으며, 이는 RCA stenosis 특성 분석에서 PVA의 진단 정확도를 충족하거나 초월할 수 있는가?

주요 결과

• 제안된 CNN 모델은 테스트 데이터에서 국소화 정확도 72.7%를 달성하여 ICA 영상에서 병변 영역을 강력하게 탐지함을 입증했다.
• 모델은 stenosis 분할에 대해 0.704의 Dice 계수를 기록하여 실제 병변 경계와 강한 겹침을 보였다.
• stenosis 분류에서는 C-statistic 0.825를 달성하여 정상 및 병변 동맥을 잘 구분하는 성능을 보였다.
• 종단 간 시스템은 현재 임상 표준인 의료진의 시각적 평가 (PVA)에 비해 통계적으로 유의미한 거짓 발견률 감소를 보였다.
• 이 연구는 실시간 RCA stenosis 분석에서 자동화된 딥러닝 시스템이 PVA를 뛰어넘을 수 있음을 처음으로 입증한 사례이다.
• 결과적으로, 임상 심장내과 분야에서 딥러닝을 활용한 실시간 관상동맥 stenosis 특성 분석을 위한 새로운 기준을 설정하였다.