[논문 리뷰] Automatic Coronary Artery Plaque Quantification and CAD-RADS Prediction using Mesh Priors

Rudolf L. M. van Herten, Nils Hampe외 8명|arXiv (Cornell University)|2023. 10. 17.

Cardiac Imaging and Diagnostics인용 수 4

한 줄 요약

이 논문은 중심선 사전 지식을 활용하여 CCTA 영상에서 직접 해부학적으로 타당한 관강 및 플라크 표면 메쉬를 생성하는 딥러닝 기법을 제안한다. 이는 자동화된 정확한 플라크 정량화 및 CAD-RADS 분류를 가능하게 한다. 보존 테스트 세트에서 이 방법은 고유한 내적 상관관계(경화성 플라크의 경우 0.98)와 환자 수준의 CAD-RADS 평가에서 선형 가중 카파 0.75를 달성하였다.

ABSTRACT

Coronary artery disease (CAD) remains the leading cause of death worldwide. Patients with suspected CAD undergo coronary CT angiography (CCTA) to evaluate the risk of cardiovascular events and determine the treatment. Clinical analysis of coronary arteries in CCTA comprises the identification of atherosclerotic plaque, as well as the grading of any coronary artery stenosis typically obtained through the CAD-Reporting and Data System (CAD-RADS). This requires analysis of the coronary lumen and plaque. While voxel-wise segmentation is a commonly used approach in various segmentation tasks, it does not guarantee topologically plausible shapes. To address this, in this work, we propose to directly infer surface meshes for coronary artery lumen and plaque based on a centerline prior and use it in the downstream task of CAD-RADS scoring. The method is developed and evaluated using a total of 2407 CCTA scans. Our method achieved lesion-wise volume intraclass correlation coefficients of 0.98, 0.79, and 0.85 for calcified, non-calcified, and total plaque volume respectively. Patient-level CAD-RADS categorization was evaluated on a representative hold-out test set of 300 scans, for which the achieved linearly weighted kappa ($κ$) was 0.75. CAD-RADS categorization on the set of 658 scans from another hospital and scanner led to a $κ$ of 0.71. The results demonstrate that direct inference of coronary artery meshes for lumen and plaque is feasible, and allows for the automated prediction of routinely performed CAD-RADS categorization.

연구 동기 및 목표

• 비볼륨 기반 분할의 한계를 해결하기 위해, 이는 종종 해부학적으로 타당한 형태를 생성하지 못함.
• 관강 및 플라크의 표면 메쉬를 직접 추론함으로써 CCTA에서 플라크 정량화 및 협착도 평가의 임상 워크플로우를 자동화하기 위해.
• 수동 또는 반자동 평가를 딥러닝 기반 메쉬 생성 프레임워크로 대체함으로써 CAD-RADS 분류의 재현성 향상 및 관찰자 간 변동성 감소.
• 전통적 분할에서 흔히 발생하는 오류를 방지하기 위해 중심선 사전 지식을 활용하여 관강 및 플라크 구조의 위상적 정확성을 확보하기 위해.
• 다양한 스캐너 및 기관에서의 데이터를 대상으로 평가하여, 다양한 촬영 프로토콜 및 환자 집단에서의 강건성 입증하기 위해.

제안 방법

• 중심선 추적을 통해 유도된 실린더형 데이터를 처리하기 위해 1D 컨volutional 신경망(1D ResNet)을 사용하여 혈관 경로를 따라 공간 모델링 가능.
• 관강 및 플라크(경화성, 비경화성, 총합)의 표면 메쉬가 네트워크 출력에서 직접 예측되어 위상적으로 타당하고 해부학적으로 타당한 형태 보장.
• 중심선 사전 지식을 활용하여 관동맥 수관 트리 전반에 걸쳐 일관되고 연속적인 메쉬 생성을 유도하며, 메쉬 정점은 혈관 경로에 정렬됨.
• 다양한 제조사 및 스캐너 유형의 2407개 CCTA 스캔에서 전용 전문가 애너테이션을 기반으로 엔드 투 엔드로 훈련.
• CAD-RADS 분류는 예측된 메쉬 기반 관강 및 플라크 부피에서 유도된 모든 관동맥에서의 최대 협착 정도를 분석하여 수행됨.
• 폐쇄 또는 비정상적인 기저부 등 중심선 추출 오류로 인한 실패 케이스는 배제 기준을 통해 처리되며, 향후 수동 시드 포인트를 활용한 상호작용적 보완 가능.

실험 결과

연구 질문

• RQ1 중심선 사전 지식을 활용한 CCTA 데이터로부터 직접 메쉬 생성이 관강 및 플라크의 정확하고 위상적으로 타당한 분할을 달성할 수 있는가?
• RQ2 기존의 비볼륨 기반 분할과 비교해 볼 때, 제안된 메쉬 기반 방법은 플라크 부피 정량화 정확도에서 어떤가?
• RQ3 이 방법은 전문가 판독과의 높은 일치도를 유지하면서 CAD-RADS 분류를 얼마나 자동화할 수 있는가?
• RQ4 다중 기관 데이터에서 스캐너 유형, 재구성 파라미터, 환자 해부학적 특성의 변화에 대해 이 방법은 얼마나 강건한가?
• RQ5 특히 완전성 폐쇄 또는 블룸 아티팩트 발생 시 주요 실패 유형은 무엇인가?

주요 결과

• 경화성 플라크 부피에 대해 내적 상관관계 계수(ICCs)가 0.98, 비경화성 플라크는 0.79, 총 플라크 부피는 0.85를 기록하여 높은 재현성 입증.
• 300개 스캔의 대표성 있는 보존 테스트 세트에서 환자 수준의 CAD-RADS 분류가 전문가 판독과 비교해 선형 가중 카파(κ) 0.75를 달성하여 상당한 일치도 입증.
• 다른 병원 및 스캐너에서의 외부 테스트 세트(658개 스캔)에서도 κ가 0.71을 기록하여 스캐너 및 기관 간 차이에 대한 강건성 입증.
• 기준 표준과 비교해 3.5% 이하의 스캔에서 한 카테고리 이상 오분류 발생하여 높은 신뢰성 입증.
• 2407개 스캔 중 중심선 추출에서 인식되지 않은 비정상적인 기저부로 인한 실패 사례는 2건 뿐이어 전체적으로 높은 신뢰성 입증.
• 1D 비전 트랜스포머가 1D ResNet보다 열악한 성능(κ = 0.63)을 보여, 협착도 예측에 국소적 상관관계가 전역적 상관관계보다 더 중요함을 시사함.