[논문 리뷰] CNN-based Landmark Detection in Cardiac CTA Scans

Julia M. H. Noothout, Bob D. de Vos외 3명|arXiv (Cornell University)|2018. 04. 13.

Medical Imaging and AnalysisEngineering참고 문헌 18인용 수 22

한 줄 요약

이 논문은 심장 CTA 영상에서 임상적으로 중요한 6개 해부학적 랜드마크를 동시에 회귀 및 분류하는 패치 기반의 완전 컨volution 신경망(FCNN)을 제안한다. 랜드마크 근처의 패치를 분류하여 이를 통해 추정된 이동 벡터를 평균화함으로써, 사전 처리나 사전 분할 없이도 평균 국소화 오차가 3mm 이하인 높은 정확도를 달성한다.

ABSTRACT

Fast and accurate anatomical landmark detection can benefit many medical image analysis methods. Here, we propose a method to automatically detect anatomical landmarks in medical images. Automatic landmark detection is performed with a patch-based fully convolutional neural network (FCNN) that combines regression and classification. For any given image patch, regression is used to predict the 3D displacement vector from the image patch to the landmark. Simultaneously, classification is used to identify patches that contain the landmark. Under the assumption that patches close to a landmark can determine the landmark location more precisely than patches farther from it, only those patches that contain the landmark according to classification are used to determine the landmark location. The landmark location is obtained by calculating the average landmark location using the computed 3D displacement vectors. The method is evaluated using detection of six clinically relevant landmarks in coronary CT angiography (CCTA) scans: the right and left ostium, the bifurcation of the left main coronary artery (LM) into the left anterior descending and the left circumflex artery, and the origin of the right, non-coronary, and left aortic valve commissure. The proposed method achieved an average Euclidean distance error of 2.19 mm and 2.88 mm for the right and left ostium respectively, 3.78 mm for the bifurcation of the LM, and 1.82 mm, 2.10 mm and 1.89 mm for the origin of the right, non-coronary, and left aortic valve commissure respectively, demonstrating accurate performance. The proposed combination of regression and classification can be used to accurately detect landmarks in CCTA scans.

연구 동기 및 목표

• 심장 CTA 영상에서 자동 해부학적 랜드마크 검출을 위한 정확하고 종단간(end-to-end)인 방법을 개발하기 위해.
• 수작업 특징과 광범위한 검색에 의존하는 전통적인 기계 학습 방법의 한계를 극복하기 위해.
• 혈관 분할이나 초기 랜드마크 국소화와 같은 사전 처리 단계가 필요 없도록 하기 위해.
• 분류(관련 패치 식별)와 회귀(3차원 이동 예측)를 조합하여 국소화 정확도를 향상시키기 위해.
• coronarY 동맥과 대동맥 뿌리에서 임상적으로 중요한 6개 랜드마크에 대해 방법을 평가하기 위해.

제안 방법

• 3차원 이미지 패치의 중심에서 목표 랜드마크까지의 3차원 이동 벡터를 예측하도록 완전 컨volution 신경망(FCNN)을 훈련한다.
• 동시에, 주어진 패치가 랜드마크를 포함하고 있는지 여부를 이진 분류하는 작업을 수행한다.
• 최종 랜드마크 위치는 오직 양성(랜드마크를 포함하는)으로 분류된 패치들에서 예측된 이동 벡터의 평균을 통해 계산된다.
• 패치의 관련성에 대한 분류 손실과 이동 벡터 예측에 대한 회귀 손실을 조합하여 네트워크를 훈련한다.
• 학습 중 큰 이동 벡터에 대해 로그 변환을 적용하여 학습 안정성을 높이고 이상치의 영향을 감소시킨다.
• 이 방법은 3개의 등방성 해상도인 1 mm, 1.5 mm, 3 mm에서 3차원 CTA 볼륨에서 평가된다.

실험 결과

연구 질문

• RQ1 단일 회귀 또는 분류 방법에 비해 공통 회귀 및 분류 FCNN 접근법이 심장 CTA에서의 랜드마크 검출 정확도를 향상시킬 수 있는가?
• RQ2 랜드마크 근처로 분류된 패치들만 사용할 경우, 모든 패치를 사용하는 것보다 더 나은 국소화 성능을 내는가?
• RQ3 이미지 해상도가 제안된 랜드마크 검출 방법의 성능에 어떤 영향을 미치는가?
• RQ4 혈관 분할이나 초기 랜드마크 시딩과 같은 사전 처리 단계 없이도 높은 정확도를 달성할 수 있는가?
• RQ5 이동 벡터의 로그 변환은 학습 안정성과 검출 정확도 향상에 효과적인가?

주요 결과

• 오른쪽 관상동맥 기저부의 평균 유클리드 거리 오차는 2.19 mm였고, 왼쪽 관상동맥 기저부는 2.88 mm였다.
• 좌측 주관상동맥 분지의 국소화 평균 오차는 3.78 mm였다.
• 오른쪽, 비관상, 좌측 대동맥판막 조인셔너의 기원은 각각 1.82 mm, 2.10 mm, 1.89 mm의 오차로 검출되었다.
• 1.5 mm 등방성 해상도로 리사이징된 영상은 3 mm 해상도보다 더 정확한 결과를 보였고, 1 mm 해상도는 최적 성능을 내기 위해 충분한 맥락을 제공하지 못했다.
• 혈관 분할이나 초기 랜드마크 시딩과 같은 사전 처리가 필요 없이도 이전 최고 성능 방법들을 능가하거나 동등하게 성능을 내었다.
• 분류와 회귀의 조합이 정확도를 크게 향상시켰으며, 분류가 먼 패치들로부터 저품질의 회귀 예측을 걸러내는 데 기여했다.