[논문 리뷰] Automated Diagnosis of Cardiovascular Diseases from Cardiac Magnetic Resonance Imaging Using Deep Learning Models: A Review

Mahboobeh Jafari, Afshin Shoeibi외 12명|arXiv (Cornell University)|2022. 10. 26.

Cardiac Imaging and Diagnostics인용 수 5

한 줄 요약

이 리뷰는 심장 자기공명 영상(CMR)을 이용한 심혈관질환(CVD)에 대한 딥 러닝(DL)-기반 자동 진단 분야의 최근 발전을 종합적으로 다룬다. DL 아키텍처, CMR 분석의 과제, 임상적 응용을 평가하며, 관류성 동맥 질환 및 심근병증과 같은 주요 CVD 유형에서 조기 진단 가능성을 포함해 진단 정확도 향상, 효율성 향상 잠재력을 강조한다.

ABSTRACT

In recent years, cardiovascular diseases (CVDs) have become one of the leading causes of mortality globally. CVDs appear with minor symptoms and progressively get worse. The majority of people experience symptoms such as exhaustion, shortness of breath, ankle swelling, fluid retention, and other symptoms when starting CVD. Coronary artery disease (CAD), arrhythmia, cardiomyopathy, congenital heart defect (CHD), mitral regurgitation, and angina are the most common CVDs. Clinical methods such as blood tests, electrocardiography (ECG) signals, and medical imaging are the most effective methods used for the detection of CVDs. Among the diagnostic methods, cardiac magnetic resonance imaging (CMR) is increasingly used to diagnose, monitor the disease, plan treatment and predict CVDs. Coupled with all the advantages of CMR data, CVDs diagnosis is challenging for physicians due to many slices of data, low contrast, etc. To address these issues, deep learning (DL) techniques have been employed to the diagnosis of CVDs using CMR data, and much research is currently being conducted in this field. This review provides an overview of the studies performed in CVDs detection using CMR images and DL techniques. The introduction section examined CVDs types, diagnostic methods, and the most important medical imaging techniques. In the following, investigations to detect CVDs using CMR images and the most significant DL methods are presented. Another section discussed the challenges in diagnosing CVDs from CMR data. Next, the discussion section discusses the results of this review, and future work in CVDs diagnosis from CMR images and DL techniques are outlined. The most important findings of this study are presented in the conclusion section.

연구 동기 및 목표

• 2015년에서 2022년 사이에 출판된 심장 MRI 기반 CVD 진단에 응용된 딥 러닝 모델의 최신 기술을 체계적으로 검토하기 위해.
• CMR 영상 분석에서의 주요 기술적 과제, 예를 들어 높은 데이터 볼륨, 낮은 대trast, 슬라이스 변동성 등을 특정하기 위해.
• 관류성 동맥 질환, 심근병증, 선천성 심장 결함과 같은 주요 CVD를 진단하는 데 있어 DL 모델의 성능과 임상 적용 가능성 평가하기 위해.
• 딥 러닝을 임상 CMR 워크플로우에 통합하기 위한 현재의 한계와 향후 연구 방향을 개략적으로 제시하기 위해.
• CVD에 대한 딥 러닝 기법, CMR 프로토콜, 진단 결과를 종합적으로 개괄하기 위해.

제안 방법

• 2015년에서 2022년 사이에 출판된 심장 MRI 기반 CVD 진단에 응용된 딥 러닝 응용에 대한 체계적 문헌 검토.
• 2D 및 3D 컨volution 신경망(CNNs), U-Net 변종, 트랜스포머 기반 모델을 포함한 아키텍처별로 딥 러닝 모델 분류.
• cine MRI, 후기 가돌리늄 강화(LGE), T1/T2 매핑 시퀀스를 포함한 CMR 영상 프로토콜 분석.
• 모델 일반화를 향상시키기 위한 정규화, 정렬, 증강과 같은 데이터 전처리 기법 평가.
• 정확도, 민감도, 특이도, AUC-ROC와 같은 표준 지표를 사용해 다양한 CVD 유형에서의 모델 성능 비교.
• 임상 환경에서의 데이터 부족, 애너테이션 변동성, 모델 해석 가능성과 관련된 과제 통합 분석.

실험 결과

연구 질문

• RQ1 심장 자기공명 영상에서 심혈관질환을 진단하는 데 있어 어떤 딥 러닝 아키텍처가 가장 높은 진단 정확도를 보였는가?
• RQ2 딥 러닝을 CMR 데이터에 적용할 때 발생하는 주요 기술적 및 임상적 과제는 무엇이며, 이를 어떻게 해결하고 있는가?
• RQ3 속도, 일관성, 진단 자신감 측면에서 딥 러닝 기반 방법은 전통적인 방사선학적 해석과 비교해 어떻게 다를까?
• RQ4 심장 자기공명 영상에서 딥 러닝의 가장 유망한 응용 분야는 무엇이며, 특정 CVD의 조기 진단 및 모니터링에 어떻게 기여하는가?
• RQ5 일상적인 CMR 진단에 딥 러닝 모델을 도입하는 데 있어 주요 장애 요소는 무엇인가?

주요 결과

• 특히 3D-CNN 및 U-Net 기반 아키텍처를 사용한 딥 러닝 모델은 좌심실 기능 저하 및 심장막 섬유화와 같은 상태를 진단할 때 높은 진단 정확도(AUC > 0.90)를 달성한다.
• 심장 구조(예: 좌심실, 우심실)의 딥 러닝 기반 세그멘테이션은 수작업 윤곽선 설정에 비해 관찰자 간 변동성을 감소시키고 재현 가능성을 향상시킨다.
• cine, LGE, T1 매핑을 포함한 다중 시퀀스 CMR 데이터로 훈련된 모델은 단일 시퀀스 접근법에 비해 미세한 병리적 변화를 더 잘 진단한다.
• 연구 환경에서는 뛰어난 성능를 보였지만, 해석 가능성, 데이터 편향, 대규모 유효성 검증 부족 등의 이유로 임상 현장 적용은 아직 제한적이다.
• 해석 가능한 AI(XAI) 기법의 통합은 임상의 신뢰도 향상과 규제 승인을 위한 핵심 요소로 부상하고 있다.
• 향후 연구는 연합 학습, 다중 기관 유효성 검증, 실시간 추론에 초점을 맞춰 임상 의사결정 지원에 기여해야 한다.