[논문 리뷰] ConvNeXtv2 Fusion with Mask R-CNN for Automatic Region Based Coronary Artery Stenosis Detection for Disease Diagnosis

Sandesh Pokhrel, Sanjay Bhandari외 3명|arXiv (Cornell University)|2023. 10. 07.

Coronary Interventions and Diagnostics인용 수 4

한 줄 요약

이 논문은 X-레이 coronary angiography에서 stenotic lesion의 자동 instance segmentation을 위한 ConvNeXt-V2 backbone 기반 Mask R-CNN 모델을 제안한다. self-supervised pretraining과 confidence thresholding를 활용하여 false positive를 감소시킨다. 이 모델은 ARCADE 데이터셋에서 F1 스코어 0.5353을 기록하여, ResNet 및 YOLO 기반 아키텍처를 포함한 이전 모델들을 능가한다.

ABSTRACT

Coronary Artery Diseases although preventable are one of the leading cause of mortality worldwide. Due to the onerous nature of diagnosis, tackling CADs has proved challenging. This study addresses the automation of resource-intensive and time-consuming process of manually detecting stenotic lesions in coronary arteries in X-ray coronary angiography images. To overcome this challenge, we employ a specialized Convnext-V2 backbone based Mask RCNN model pre-trained for instance segmentation tasks. Our empirical findings affirm that the proposed model exhibits commendable performance in identifying stenotic lesions. Notably, our approach achieves a substantial F1 score of 0.5353 in this demanding task, underscoring its effectiveness in streamlining this intensive process.

연구 동기 및 목표

• X-레이 coronary angiography에서 시간이 많이 소요되고 주관적인 수작업 기반의 관상동맥 stenosis 탐지 과정을 자동화하기 위해.
• 전통적인 backbones 대신 ConvNeXt-V2를 Mask R-CNN 아키텍처에 통합하여 segmentation 정확도와 일관성을 향상시키기 위해.
• self-supervised pretraining과 confidence score 기반 후처리를 통해 성능을 향상시켜 false positive를 감소시키기 위해.
• 임상적 angiogram에서 다양한 시점 각도와 이미지 품질 조건에서 모델의 견고성 평가를 위해.

제안 방법

• Instance segmentation을 위해 ARCADE 데이터셋에서 미세조정된 ImageNet으로 사전 훈련된 ConvNeXt-V2 backbone를 갖춘 Mask R-CNN 아키텍처를 채택한다.
• 백본에 Global Response Normalization (GRN)을 통합하여 불필요한 활성화를 억제하고 특징 다양성을 향상시킨다.
• 의료 영상에서의 특징 학습을 향상시키고 저자원 데이터에서의 일반화 능력을 강화하기 위해 masked autoencoding (MAE) 사전 훈련을 활용한다.
• NMS 이후에 confidence score thresholding를 적용하여 저신뢰도 예측을 걸러내고 false positive를 감소시킨다.
• Xavier 초기화 대신 MS-COCO 사전 훈련 가중치로 모델을 초기화함으로써 전이 학습을 수행한다.
• 단일 작업(Stenosis detection)과 다중 작업(혈관 세그멘테이션 + stenosis detection) 훈련을 비교하는 분석 연구를 수행한다.

실험 결과

연구 질문

• RQ1 ResNet 기반 모델 대비 ConvNeXt-V2 백본이 관상동맥 stenosis 탐지의 instance segmentation 성능을 향상시키는가?
• RQ2 Masked autoencoding를 통한 self-supervised pretraining이 저자원 의료 영상 환경에서 특징 표현을 향상시키는가?
• RQ3 Confidence score thresholding는 stenosis 탐지에서 false positive 감소에 어떤 영향을 미치는가?
• RQ4 혈관 세그멘테이션과 stenosis 탐지의 공동 훈련은 단일 작업 미세조정 대비 성능 저하를 초래하는가?
• RQ5 NMS 단계에서 F1 스코어를 최대화하는 데 가장 적합한 IOU 임계값은 무엇인가?

주요 결과

• ConvNeXt-V2 Mask R-CNN는 ARCADE 테스트 세트에서 F1 스코어 0.5353을 기록하여 ResNet-101(0.4170)과 YOLOv8(0.2318)를 뛰어넘었다.
• Xavier 초기화 대비 MS-COCO에서 사전 훈련한 결과 F1 스코어가 0.10 향상되어 일반 세그멘테이션 작업에서의 전이 학습의 유용성을 확인했다.
• NMS 단계에서 IOU 임계값 0.95에서 최적의 성능을 기록하여 고정밀도의 바운딩 박스 비최대 억제를 보여주었다.
• Stenosis detection 전용 단일 작업 훈련에서 seg-MAP는 0.186를 기록하여 다중 작업 모델(0.109)을 능가했으며, 이는 작업 간 간섭이 있음을 시사한다.
• 정성적 결과는 다양한 시점 각도와 이미지 대비에서 모델이 잘 일반화됨을 보여주며, stenotic 영역을 정확하게 탐지함을 확인했다.
• 분석 연구를 통해 ConvNeXt-V2의 GRN 레이어가 특징 표현을 향상시켜 뛰어난 세그멘테이션 성능에 기여함을 확인했다.