[논문 리뷰] Multi-Resolution 3D Convolutional Neural Networks for Automatic Coronary Centerline Extraction in Cardiac CT Angiography Scans

Zohaib Salahuddin, Matthias Lenga외 1명|arXiv (Cornell University)|2020. 10. 02.

Cardiac Imaging and Diagnostics참고 문헌 16인용 수 15

한 줄 요약

이 논문은 심장 CT 혈관 조영술(CCTA)에서 완전 자동으로 관상동맥 중심선을 추출하기 위한 다중 해상도 3D CNN 기반 파이프라인인 AuCoTrack을 제안한다. 이는 이중 경로 3D CNN을 사용해 혈관 방향과 분岐점을 예측하고, 추적을 종료하기 위한 정지 네트워크를 갖추며, 혈관당 두 개의 초기 기원점만으로 MICCAI 2008 챌린지 데이터셋에서 임상적으로 유의미한 오버랩률 96.4%를 달성한다. 사용자 상호작용 없이도 작동한다.

ABSTRACT

We propose a deep learning-based automatic coronary artery tree centerline tracker (AuCoTrack) extending the vessel tracker by Wolterink (arXiv:1810.03143). A dual pathway Convolutional Neural Network (CNN) operating on multi-scale 3D inputs predicts the direction of the coronary arteries as well as the presence of a bifurcation. A similar multi-scale dual pathway 3D CNN is trained to identify coronary artery endpoints for terminating the tracking process. Two or more continuation directions are derived based on the bifurcation detection. The iterative tracker detects the entire left and right coronary artery trees based on only two ostium landmarks derived from a model-based segmentation of the heart. The 3D CNNs were trained on a proprietary dataset consisting of 43 CCTA scans. An average sensitivity of 87.1% and clinically relevant overlap of 89.1% was obtained relative to a refined manual segmentation. In addition, the MICCAI 2008 Coronary Artery Tracking Challenge (CAT08) training and test datasets were used to benchmark the algorithm and to assess its generalization. An average overlap of 93.6% and a clinically relevant overlap of 96.4% were obtained. The proposed method achieved better overlap scores than the current state-of-the-art automatic centerline extraction techniques on the CAT08 dataset with a vessel detection rate of 95%.

연구 동기 및 목표

• CCTA 임상 적용을 위한 완전 자동화되고, 강건하며, 효율적인 관상동맥 중심선 추출 방법을 개발하기 위해.
• 수동 또는 반자동 초기화 점에 대한 의존도를 줄여 전체 관상동맥 수관을 단일 시드 포인트 추적할 수 있도록 하기 위해.
• CCTA 스캔에서 다양한 영상 품질과 칼슘 축적 정도에 걸쳐 일반화 능력을 향상시키기 위해.
• 혈관 특화 시드 포인트가 필요 없이도 높은 정확도와 일관성 있는 중심선 추출을 달성하기 위해.
• 재구성 영상(MPR/cMPR)을 통한 실시간 시각화를 가능하게 하여 임상 진단에 활용하기 위해.

제안 방법

• 이중 경로 3D CNN(DBC-Net)이 다중 척도 패치를 처리하여 혈관 중심선 향한 방향을 예측하고, 패치 유형을 정상 또는 분岐로 분류한다.
• 별도의 다중 척도 3D CNN(STC-Net)이 패치에 혈관이 포함되어 있는지 여부를 판단하여 추적 종료를 결정한다.
• 모델 기반 심장 세그멘테이션을 통해 자동으로 검출된 두 기원점에서 시작하여 추적기가 예측된 방향에 따라 반복적으로 이동한다.
• STC-Net이 패치에 '혈관 없음'을 예측할 경우 추적을 종료하며, 투표 메커니즘과 이동 평균 엔트로피를 활용해 종료의 강건성을 향상시킨다.
• 지역적 강도 패턴을 3D 패치에서 활용해 방향 예측 및 분岐 탐지에 유도하며, 전반적인 혈관 모델에 의존하지 않는다.
• 이 방법은 43개의 기업 내부 CCTA 스캔에서 학습하고, 벤치마킹 및 일반화 평가를 위해 MICCAI 2008 CAT08 데이터셋에서 평가된다.

실험 결과

연구 질문

• RQ1 다중 척도 3D CNN 기반 추적기가 단 두 개의 초기 시드 포인트만으로 완전 자동으로 관상동맥 중심선을 추출할 수 있는가?
• RQ2 이 방법은 다양한 CCTA 영상 품질과 칼슘 량에 걸쳐 얼마나 잘 일반화되는가?
• RQ3 사용자 간섭 없이도 추적기가 분岐점을 신뢰성 있게 탐지하고 혈관 끝에서 정상적으로 종료되는가?
• RQ4 최신 자동 및 상호작용 기반 중심선 추출 기법들과 비교해 이 방법의 성능은 어떠한가?
• RQ5 저품질 또는 칼슘 침착이 있는 스캔에서도 추적기가 높은 정확도를 유지할 수 있는가? 복잡한 혈관 분지 구조에 대해 어떻게 대처하는가?

주요 결과

• AuCoTrack는 MICCAI 2008 CAT08 테스트 데이터셋에서 임상적으로 유의미한 오버랩률 96.4%를 달성하여 현재 최고 수준의 자동화 방법을 초월했다.
• CAT08 데이터셋에서는 평균 오버랩률 93.6%를 기록했고, 기업 내부 데이터셋에서는 89.1%를 기록했으며, 혈관 탐지율은 95%였다.
• 다양한 영상 품질에서도 성능이 안정적이었으며, 저품질 스캔에서 87.8%, 중간 품질에서 95.4%, 양호한 품질에서 94.4%의 오버랩률을 기록했다.
• 관상동맥 칼슘에 대해 강건한 성능을 보였으며, 저, 중, 고 칼슘 점수에서 각각 92.9%, 94.0%, 94.2%의 오버랩률을 기록했다.
• 평균 42.1초(최적화되지 않은 상태)의 시간이 소요되어 임상 적용 가능성은 충분히 높았다.
• 43개의 기업 내부 스캔 데이터셋에서 학습한 방법이 CAT08 데이터셋으로 잘 일반화되어, 다양한 스캐너 유형과 영상 획득 프로토콜 간의 강력한 전이 가능성(transferability)을 보였다.