[논문 리뷰] Automated Deep Learning Analysis of Angiography Video Sequences for Coronary Artery Disease

Chengyang Zhou, Thao Vy Dinh외 5명|arXiv (Cornell University)|2021. 01. 29.

Coronary Interventions and Diagnostics참고 문헌 29인용 수 23

한 줄 요약

이 논문은 관찰 키프레임 추출, 혈관 세분화, 혈관 협착도 측정의 세 단계를 거쳐, 자동화된 관상동맥 조영영상 분석을 위한 엔드 투 엔드 딥러닝 파이프라인을 제시한다. 이는 왼쪽 전방 경사도(LAO) 시각에서 협착도 측정의 20.7%의 I형 오류율, 키프레임 선택의 98.4%의 상위 5위 정밀도, 혈관 세분화의 0.891의 F1 스코어를 달성하였으며, 오른쪽 전방 경사도(RAO) 시각으로의 일반화 능력이 뛰어나다.

ABSTRACT

The evaluation of obstructions (stenosis) in coronary arteries is currently done by a physician's visual assessment of coronary angiography video sequences. It is laborious, and can be susceptible to interobserver variation. Prior studies have attempted to automate this process, but few have demonstrated an integrated suite of algorithms for the end-to-end analysis of angiograms. We report an automated analysis pipeline based on deep learning to rapidly and objectively assess coronary angiograms, highlight coronary vessels of interest, and quantify potential stenosis. We propose a 3-stage automated analysis method consisting of key frame extraction, vessel segmentation, and stenosis measurement. We combined powerful deep learning approaches such as ResNet and U-Net with traditional image processing and geometrical analysis. We trained and tested our algorithms on the Left Anterior Oblique (LAO) view of the right coronary artery (RCA) using anonymized angiograms obtained from a tertiary cardiac institution, then tested the generalizability of our technique to the Right Anterior Oblique (RAO) view. We demonstrated an overall improvement on previous work, with key frame extraction top-5 precision of 98.4%, vessel segmentation F1-Score of 0.891 and stenosis measurement 20.7% Type I Error rate.

연구 동기 및 목표

• angiography 영상 시퀀스 분석의 자동화를 통해 관상동맥질환 평가 시 관찰자 간 변동성을 줄이기 위해.
• 임상 워크플로우를 모방하는 통합적이고 엔드 투 엔드 딥러닝 파이프라인을 개발하기 위해.
• 심장내과 전문의의 시각적 평가에 비해 협착도 정량화의 객관성과 재현성을 향상시키기 위해.
• LAO 및 RAO 시각을 포함한 다양한 조영영상 투시도에서 모델의 일반화 능력을 입증하기 위해.
• 전문가가 없는 자원이 제한된 환경에서, 전문 지식 없이 반복 가능한 분석이 가능한 자동화된 분석을 지원함으로써 임상 의사결정을 지원하기 위해.

제안 방법

• 3단계 파이프라인을 개발: 키프레임 추출, 혈관 세분화, 협착도 측정. 각 단계는 전용 딥러닝 모델을 사용한다.
• 플루오로스코피 시퀀스에서 고대비, 진단적으로 유의미한 프레임을 식별하기 위해 ResNet을 사용하여 키프레임 추출을 수행하였다.
• 에코더 및 디코더 경로의 특징을 활용하여 정밀한 혈관 세분화를 위해 스위치 연결 기능을 갖춘 U-Net을 적용하였다.
• 기하학적 분석 및 이미지 처리 기법을 딥러닝 출력과 융합하여 협착도 정량화를 정밀하게 보완하였다.
• LAO 시각에서 학습된 모델을 RAO 시각에 적응시키기 위해 전이학습을 적용하여, 서로 다른 시각 간의 일반화를 가능하게 하였다.
• 최종 협착도 측정은 데이터 기반 접근 방식이 아닌 혈관 폭 감소 기반의 비데이터 기반 접근 방식을 사용하였으며, 향후 회귀 모델 적용 가능성을 고려했다.

실험 결과

연구 질문

• RQ1 딥러닝 파이프라인이 다양한 시각에서 높은 정확도와 일반화 능력을 갖추고, 관상동맥 조영영상 시퀀스의 엔드 투 엔드 분석을 자동화할 수 있는가?
• RQ2 LAO 시각에서 학습된 모델이 RAO 시각에 적용되었을 때, 키프레임 추출 및 혈관 세분화 성능은 어떠한가? 영향은 무엇인가?
• RQ3 자동화된 협착도 측정이 심장내과 전문의의 시각적 평가에 비해 I형 오류를 얼마나 줄일 수 있는가?
• RQ4 LAO 및 RAO 시각의 협착도 예측을 융합하면, 진단 정확도와 병변 위치 특정 능력이 향상되는가?
• RQ5 이 시스템이 전문적인 관상동맥 치료 전문의가 부족한 환경에서 임상 의사결정 지원 잠재력을 얼마나 지니고 있는가?

주요 결과

• 키프레임 추출은 LAO 시각에서 상위 5위 정밀도 98.4%를 기록하여 진단적으로 유의미한 프레임을 신뢰성 있게 식별함을 시사한다.
• 혈관 세분화는 LAO 시각에서 F1 스코어 0.891을 달성하여 관상동맥을 강력하게 분할함을 입증한다.
• RAO 시각에서는 94.7%의 상위 5위 정밀도와 F1 스코어 0.826을 유지하여, 효과적인 시각 간 일반화 능력을 보였다.
• LAO 데이터에서의 협착도 측정은 20.7%의 I형 오류율을 기록하여, 잘못된 협착도 진단의 상대적으로 낮은 비율을 나타낸다.
• LAO 및 RAO 시각의 최대 협착도 값을 조합한(Max(LAO, RAO)) 방식은 평균 절대 오차를 12.0 ± 9.1%로 감소시켜 정확도를 향상시켰다.
• LAO 및 RAO 시각을 비교했을 때, 알고리즘이 15명의 환자 중 14명에서 가장 심한 협착도를 정확히 식별하여 뛰어난 병변 위치 특정 능력을 입증하였다.