[논문 리뷰] DeepAAA: clinically applicable and generalizable detection of abdominal aortic aneurysm using deep learning

Jen-Tang Lu, Rupert Brooks외 10명|arXiv (Cornell University)|2019. 07. 04.

Aortic aneurysm repair treatments참고 문헌 11인용 수 9

한 줄 요약

DeepAAA는 수정된 3D U-Net과 타원형 피팅을 기반으로 한 딥러닝 모델로, 대조 및 비대조 복부 CT 스캔에서 복강동맥aneurysm(정맥류, AAA)의 정확하고 일반화 가능한 검출 및 정량을 가능하게 한다. 훈련 데이터에서 91%의 민감도와 95%의 특이도를 기록하였고, 다양한 외부 검증 세트에서는 85%의 민감도와 100%의 특이도를 달성하여, 임상적으로 발견된 AAA 검출에서 보고된 방사선의학자 성능을 초월한다.

ABSTRACT

We propose a deep learning-based technique for detection and quantification of abdominal aortic aneurysms (AAAs). The condition, which leads to more than 10,000 deaths per year in the United States, is asymptomatic, often detected incidentally, and often missed by radiologists. Our model architecture is a modified 3D U-Net combined with ellipse fitting that performs aorta segmentation and AAA detection. The study uses 321 abdominal-pelvic CT examinations performed by Massachusetts General Hospital Department of Radiology for training and validation. The model is then further tested for generalizability on a separate set of 57 examinations with differing patient demographics and acquisition characteristics than the original dataset. DeepAAA achieves high performance on both sets of data (sensitivity/specificity 0.91/0.95 and 0.85 / 1.0 respectively), on contrast and non-contrast CT scans and works with image volumes with varying numbers of images. We find that DeepAAA exceeds literature-reported performance of radiologists on incidental AAA detection. It is expected that the model can serve as an effective background detector in routine CT examinations to prevent incidental AAAs from being missed.

연구 동기 및 목표

• 일반적인 복부 CT 검사에서 복강동맥aneurysm(정맥류, AAA)의 자동 검출 및 정량을 위한 임상적으로 적용 가능한 딥러닝 모델을 개발하는 것.
• 35%로 보고된 높은 유사한 AAA의 누락 비율을 해결하기 위해 현재 방사선의학자 성능을 초월하는 민감도 향상을 도모하는 것.
• 특히 비대조 CT 스캔에서, 다양한 환자 인구 통계, 스캔 프로토콜, 영상 장비에 걸쳐 강건성과 일반화 능력을 확보하는 것.
• 방사선의학자가 조기에 AAA를 검출하는 데 지원하고, 직경 측정의 읽기 간 변동성을 줄이기 위한 신뢰할 수 있는 '제2의 독자' 도구를 제공하는 것.
• 딥러닝이 실제 임상 환경에서 도메인 이동 최소화로 효과적으로 구현될 수 있음을 입증하는 것.

제안 방법

• 원시 CT 데이터에서의 엔드 투 엔드 학습을 가능하게 하기 위해, 축방향 CT 영상 볼륨에서 3D 대동맥 분할을 위한 수정된 3D U-Net 아키텍처를 사용한다.
• 분할 후, 3D 대동맥 윤곽선에 타원형 피팅을 적용하여 최대 횡단 직경을 추정하고, 이를 바탕으로 AAA 검출을 수행한다.
• 모델은 매사추세츠 기독병원에서 확보한 321건의 복부-골반 CT 연구 자료(대조 및 비대조 스캔 포함, 슬라이스 두께와 영상 수가 다양함)를 기반으로 훈련 및 검증된다.
• 정확한 성능 추정을 위해 주 데이터셋에서 5중 교차검증 전략을 사용하며, 평가 지표로는 Dice 점수와 직경 편차를 사용한다.
• 일반화 능력을 테스트하기 위해, 다른 스캐너와 시간대에서 확보된 57건의 별도 검증 세트를 사용하며, 환자 인구 통계와 촬영 파rameter가 다름.
• 임상 진단 기준에 부합하기 위해 예측된 최대 직경에 3.0 cm 임계값을 적용하여 AAA 양성 또는 음성으로 분류한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 대조 및 비대조 복부 CT 스캔에서 유사한 AAA 검출에 대해 높은 민감도와 특이도를 달성할 수 있는가?
• RQ2 모델은 다른 영상 촬영 프로토콜, 스캐너 유형, 환자 인구 통계를 가진 외부 데이터셋에 대해 얼마나 잘 일반화되는가?
• RQ3 특히 비대조 스캔에서, 모델의 성능이 방사선의학자 성능을 초월하는가?
• RQ4 다양한 영상 해상도와 슬라이스 두께에서, 모델이 최대 대동맥 직경을 낮은 편향과 높은 정밀도로 신뢰성 있게 추정할 수 있는가?
• RQ5 원래 훈련 분포 외부에서 데이터를 적용했을 때, 모델의 성능이 얼마나 떨어지는가?

주요 결과

• DeepAAA는 321건의 CT 스캔으로 구성된 주 훈련 및 검증 데이터셋에서 민감도 0.91, 특이도 0.95를 기록하였으며, 평균 Dice 점수는 0.873 ± 0.129였다.
• 다른 스캐너, 환자 인구 통계, 촬영 프로토콜을 가진 57건의 외부 검증 세트에서 모델은 85%의 민감도와 100%의 특이도를 달성하여 강력한 일반화 능력을 입증하였다.
• 교차검증 폴드 전반에서 모델의 예측된 최대 대동맥 직경은 기준값 대비 평균 편차 -1.7 mm (±8.7 mm)를 보였으며, 이는 낮은 편향과 높은 정밀도를 의미한다.
• DeepAAA는 특히 30–39 mm 크기 범위에서 임상 문헌에 보고된 방사선의학자 민감도(0.68 대비 0.52)를 초월했으며, 더 큰 동맥류에서는 동등하거나 이를 초월하는 성능을 보였다.
• 비대조 스캔과 다양한 이미지 해상도(2–10 mm 슬라이스 두께) 및 영상 수(40–384)에서도 높은 성능를 유지하여 입력 변동성에 대한 강건성을 입증하였다.
• 스캐너 전용 또는 코hort 전용 특징에 대한 과적합이 없음을 확인하였으며, 이는 상당한 도메인 이동에도 불구하고 외부 검증 세트에서 일관된 성능을 보여주었다.