[논문 리뷰] Automatic Detection and Characterization of Coronary Artery Plaque and Stenosis using a Recurrent Convolutional Neural Network in Coronary CT Angiography

Majd Zreik, Robbert W. van Hamersvelt외 4명|arXiv (Cornell University)|2018. 04. 11.

Cardiac Imaging and Diagnostics참고 문헌 31인용 수 7

한 줄 요약

이 연구는 관상동맥 CT 혈관조영술(CCTA) 및 중심선 데이터를 분석하여 관상동맥 플라크 유형(비섬유화, 혼합, 석회화)과 협착 정도(비중요, 중요)를 자동으로 탐지하고 분류하는 다중 작업 순환 합성곱 신경망을 제안한다. 이 모델은 플라크 및 협착 정도를 높은 정확도로 식별하여 향후 심혈관계 평가를 위한 환자 자동 분류를 가능하게 한다.

ABSTRACT

Different types of atherosclerotic plaque and varying grades of stenosis lead to different management of patients with obstructive coronary artery disease. Therefore, it is crucial to determine the presence and classify the type of coronary artery plaque, as well as to determine the presence and the degree of a stenosis. The study includes consecutively acquired coronary CT angiography (CCTA) scans of 131 patients. In these, presence and plaque type in the coronary arteries (no plaque, non-calcified, mixed, calcified) as well as presence and anatomical significance of coronary stenosis (no stenosis, non-significant, significant) were manually annotated by identifying the start and end points of the fragment of the artery affected by the plaque. To perform automatic analysis, a multi-task recurrent convolutional neural network is utilized. The network uses CCTA and coronary artery centerline as its inputs, and extracts features from the region defined along the coronary artery centerline using a 3D convolutional neural network. Subsequently, the extracted features are used by a recurrent neural network that performs two simultaneous multi-label classification tasks. In the first task, the network detects and characterizes the type of the coronary artery plaque. In the second task, the network detects and determines the anatomical significance of the coronary artery stenosis. The results demonstrate that automatic characterization of coronary artery plaque and stenosis with high accuracy and reliability is feasible. This may enable automated triage of patients to those without coronary plaque, and those with coronary plaque and stenosis in need for further cardiovascular workup.

연구 동기 및 목표

• CCTA 영상에서 관상동맥 플라크 유형을 자동으로 탐지하고 분류하는 방법을 개발하는 것.
• 딥 러닝을 사용하여 관상동맥 협착의 해부학적 의미(비중요 대 비중요가 아님)를 식별하는 것.
• 플라크 존재 여부와 협착 정도에 기반하여 임상적 추적 관찰을 위한 환자 자동 분류를 가능하게 하는 것.
• 수동 주석 처리를 대체하는 신뢰할 수 있는 종단 간 자동 분석으로 진단 효율성을 향상시키는 것.

제안 방법

• 모델는 관상동맥 중심선을 따라 CCTA 영상의 영역에서 특징을 추출하기 위해 3차원 합성곱 신경망을 사용한다.
• 추출된 특징을 처리하기 위해 순환 신경망을 사용하여 두 개의 동시에 수행되는 다중 레이블 분류 작업을 수행한다.
• 첫 번째 작업은 플라크 유형을 분류한다: 플라크 없음, 비섬유화, 혼합, 석회화.
• 두 번째 작업은 협착 정도를 결정한다: 협착 없음, 비중요, 중요.
• 모델는 수동으로 주석 처리된 131개의 연속된 CCTA 영상에서 훈련된다. 플라크 및 협착 경계가 수동으로 주석 처리되어 있다.
• 입력으로는 CCTA 영상과 해당 관상동맥 중심선이 포함되어 있어 공간적 특징 추출을 안내한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 CCTA 영상에서 관상동맥 플라크 유형을 정확하게 탐지하고 분류할 수 있는가?
• RQ2 동일한 모델은 관상동맥 협착의 해부학적 의미를 신뢰성 있게 판단할 수 있는가?
• RQ3 다중 작업 학습 프레임워크를 사용하여 플라크 및 협착의 동시 탐지와 특성 분석이 가능한가?
• RQ4 이 자동화된 시스템은 플라크가 없는 환자와 플라크 및 협착이 있는, 추가적인 검사를 필요로 하는 환자를 구분하여 임상적 분류를 지원할 수 있는가?

주요 결과

• 제안된 모델은 높은 정확도로 관상동맥 플라크 및 협착의 동시 탐지와 분류를 성공적으로 수행한다.
• 이 시스템은 플라크 존재 여부와 협착 정도에 기반하여 환자를 분류하는 자동 분류를 가능하게 한다.
• 다중 작업 학습 접근법을 통해 공유된 특징을 사용하여 플라크 유형과 협착 의미를 동시에 예측할 수 있다.
• 이 방법은 CCTA를 이용한 자동 관상동맥 분석에 대한 임상적 구현 가능성을 입증한다.