[논문 리뷰] CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in MPR Images

Mariia Dobko, Bohdan Petryshak외 1명|arXiv (Cornell University)|2020. 01. 23.

Cardiac Imaging and Diagnostics인용 수 4

한 줄 요약

이 논문은 코로나리 동맥 협착도를 곡면 다평면 재구성(MPR) 영상에서 분류하기 위한 완전 자동화된 딥러닝 프레임워크인 CNN-CASS를 제안한다. 중심선 추출 또는 수작업 특징 추출 없이도 환자 수준에서 80%의 정확도를 달성하였으며, 학습용으로 708명, 테스트용으로 105명의 환자 데이터셋을 신규로 확보하여 사용하였다. 모델의 해석 가능성은 기울기 기반 시각화를 통해 입증되었다.

ABSTRACT

To decrease patient waiting time for diagnosis of the Coronary Artery Disease, automatic methods are applied to identify its severity using Coronary Computed Tomography Angiography scans or extracted Multiplanar Reconstruction (MPR) images, giving doctors a second-opinion on the priority of each case. The main disadvantage of previous studies is the lack of large set of data that could guarantee their reliability. Another limitation is the usage of handcrafted features requiring manual preprocessing, such as centerline extraction. We overcome both limitations by applying a different automated approach based on ShuffleNet V2 network architecture and testing it on the proposed collected dataset of MPR images, which is bigger than any other used in this field before. We also omit centerline extraction step and train and test our model using whole curved MPR images of 708 and 105 patients, respectively. The model predicts one of three classes: 'no stenosis' for normal, 'non-significant' - 1-50% of stenosis detected, 'significant' - more than 50% of stenosis. We demonstrate model's interpretability through visualization of the most important features selected by the network. For stenosis score classification, the method shows improved performance comparing to previous works, achieving 80% accuracy on the patient level. Our code is publicly available.

연구 동기 및 목표

• CCTA 스캔의 협착도 분류를 자동화하여 관류 동맥 질환 진단을 위한 환자 대기 시간을 단축시키기.
• 이전 연구의 한계를 극복하기 위해 800명 이상의 환자를 포함한 더 큰 공개 데이터셋을 사용하여 이 분야에서 이전의 데이터 스케일을 초월하기.
• 중심선 추출 및 수작업 특징 추출과 같은 수동 전처리 단계에 의존하지 않도록 하여 완전한 자동화를 실현하기.
• 통합 기울기(Intergrated Gradients)를 활용한 중요 영역 시각화를 통해 모델의 해석 가능성을 향상시켜 임상적 신뢰도를 높이고 의사결정 검증을 지원하기.
• 해부학적 정렬이나 세그멘테이션 없이 전체 곡면 MPR 영상에서 협착도 분류 성능를 최고 수준으로 향상시키기.

제안 방법

• 모델은 708명의 환자 MPR 영상으로 구성된 맞춤형 데이터셋에서 미리 훈련된 ShuffleNet V2 아키텍처를 미세조정하여 학습 및 테스트에 사용한다.
• 입력 데이터는 중심선 추출이나 혈관 정렬과 같은 전처리 없이 CCTA 스캔에서 추출한 전체 곡면 MPR 영상이다.
• 모델은 협착도를 세 가지 클래스로 분류한다: '협착 없음', '비중요적'(1–50% 협착), '중요적'(50% 이상 협착).
• 모델의 해석 가능성은 각 예측에 대해 가장 영향력 있는 영역을 시각화하기 위해 통합 기울기(Intergrated Gradients)를 사용하여 달성된다.
• 각 관류 동맥에 대한 최종 분류를 위해 MPR 영상당 50개의 예측 결과를 집계하고 다수결 클래스를 할당한다.
• 3D CNN이나 세그멘테이션을 피하기 위해 2D MPR 영상에서 엔드 투 엔드 학습에 의존함으로써 복잡성과 계산 비용을 감소시킨다.

실험 결과

연구 질문

• RQ1 중심선 추출 또는 수작업 특징 추출 없이도 딥러닝 모델이 협착도 심각도 분류에서 높은 정확도를 달성할 수 있는가?
• RQ2 더 큰 공개 데이터셋을 활용하면 이전의 소규모 연구에 비해 협착도 분류 모델의 신뢰성과 성능이 향상되는가?
• RQ3 기울기 기반 중요도 맵을 통한 모델 해석 가능성은 임상적 신뢰도를 높이고 경계선 환경에서 방사선의사의 평가를 지원할 수 있는가?
• RQ4 곡면 MPR 영상에 적용된 2D CNN의 성능은 이전 연구에서 사용된 전처리 또는 정렬된 혈관 데이터에 의존하는 방법과 비교해 어떻게 다른가?
• RQ5 모델의 혼동 원인은 무엇이며, 아키텍처나 전처리 개선을 통해 이를 완화할 수 있는가?

주요 결과

• 제안된 CNN-CASS 모델은 협착도 점수의 환자 수준 분류에서 80%의 정확도를 달성하여 이 작업에서 이전 방법들을 능가한다.
• 모델은 중심선 추출 및 수작업 특징 추출이 필요 없어져 분류 파이프라인의 완전한 자동화를 실현한다.
• 통합 기울기(Intergrated Gradients)를 활용한 시각화 결과, 모델이 해부학적으로 관련된 영역(혈관 루멘 및 플라크 영역)에 집중하고 있음을 확인하여 해석 가능성이 향상됨을 입증하였다.
• 높은 정확도에도 불구하고, 특히 경추 및 갈비뼈 부위에서 유사한 환경단위(Hounsfield unit) 강도를 보이는 석회화된 플라크와 병적 협착을 혼동하는 경우가 간혹 발생한다.
• 복잡한 해부학적 구조에서도 일관되게 동맥 루멘과 협착 영역에 주의를 기울이며 성능이 안정적으로 유지됨을 확인하였다.
• 저자들은 이 분야에서 이전에 사용된 바가 없는 800명 이상의 환자 MPR 영상 데이터셋을 공개하여 향후 연구를 지원한다.