[논문 리뷰] StenUNet: Automatic Stenosis Detection from X-ray Coronary Angiography

Hui Lin, Tom Liu외 2명|arXiv (Cornell University)|2023. 10. 23.

Coronary Interventions and Diagnostics인용 수 5

한 줄 요약

StenUNet은 X-레이 관상동맥 조영에서 정확하고 픽셀 단위의 협착 검출을 가능하게 하는 U-Net 기반 딥러닝 모델로, ARCADE 챌린지 테스트 세트에서 F1 스코어 53.48%를 기록하여 모든 팀 중 3위를 차지했다. 이는 전처리를 통해 잠재적 거짓 양성 결과를 줄이고 후처리를 통해 작은 허위 세그먼트를 제거함으로써 기존 기준 방법에 비해 검출 정밀도를 크게 향상시킨다.

ABSTRACT

Coronary angiography continues to serve as the primary method for diagnosing coronary artery disease (CAD), which is the leading global cause of mortality. The severity of CAD is quantified by the location, degree of narrowing (stenosis), and number of arteries involved. In current practice, this quantification is performed manually using visual inspection and thus suffers from poor inter- and intra-rater reliability. The MICCAI grand challenge: Automatic Region-based Coronary Artery Disease diagnostics using the X-ray angiography imagEs (ARCADE) curated a dataset with stenosis annotations, with the goal of creating an automated stenosis detection algorithm. Using a combination of machine learning and other computer vision techniques, we propose the architecture and algorithm StenUNet to accurately detect stenosis from X-ray Coronary Angiography. Our submission to the ARCADE challenge placed 3rd among all teams. We achieved an F1 score of 0.5348 on the test set, 0.0005 lower than the 2nd place.

연구 동기 및 목표

• X-레이 관상동맥 조영 영상에서 수작업 협착 평가 시 높은 내·외부 평가자 간 변동성을 해결하기 위해.
• 정확도를 향상시키고 임상적 부담을 줄이기 위한 자동화되고 재현 가능한 협착 검출 방법을 개발하기 위해.
• 경계 상자나 클래스 활성화 맵에 의존하는 대신 정확한 픽셀 단위의 협착 영역 세그먼테이션을 달성하기 위해.
• 저품질 또는 도전적인 프레임에서의 강건성을 전처리 및 후처리 기법을 통해 향상시키기 위해.
• 1장당 추론 시간이 5초 이내로 유지되어 임상 통합에 적합한 실시간 배포를 가능하게 하기 위해.

제안 방법

• StenUNet은 인코더-디코더 구조와 스킵 커넥션을 갖춘 U-Net 아키텍처를 사용하여 픽셀 단위의 세그먼테이션을 위해 공간적 세부 정보를 유지한다.
• 감지 이전에 거짓 양성 결과를 억제하기 위해 혈관 강조 및 노이즈 감소 등의 전처리 조합을 사용한다.
• 모폴로지적 연산과 크기 필터링을 적용하여 잠재적 거짓 양성 결과로 보이는 작은 세그먼트를 제거하는 후처리를 수행한다.
• ARCADE 데이터셋의 픽셀 수준 협착 주석을 기반으로 이진 교차 엔트로피 손실을 사용해 엔드 투 엔드로 모델을 훈련시킨다.
• 이 버전에서는 순차적 프레임의 시간 정보를 사용하지 않으며, 향후 RNN 또는 트랜스포머를 통합할 수 있는 확장 가능성이 있다.
• 임상 배포 요구 사항을 충족하기 위해 추론 시간을 1장당 5초 이내로 제한한다.

Figure 1: The proposed pipeline for stenosis detection from X-ray angiography. An example is from the testing set. StenUNet’s architecture is depicted in Fig. 2 .

실험 결과

연구 질문

• RQ1 U-Net 기반 아키텍처가 X-레이 관상동맥 조영 영상에서 고정밀도 픽셀 단위 협착 세그먼테이션을 달성할 수 있는가?
• RQ2 전처리 및 후처리 단계가 협착 검출 성능에 개별적으로 및 공동으로 어떤 영향을 미치는가?
• RQ3 모델이 협착이 시각적으로 모호한 저대비 또는 노이즈가 많은 영상에 얼마나 일반화되는가?
• RQ4 경계 상자나 주의 맵을 사용하는 최신 기술과 비교해 StenUNet의 F1 스코어는 어떻게 되는가?
• RQ5 특히 얇거나 흐린 혈관을 감지하는 데에서 모델의 주요 실패 원인은 무엇인가?

주요 결과

• StenUNet은 ARCADE 챌린지 테스트 세트에서 F1 스코어 53.48%를 기록하여 참가 팀 중 3위를 차지했다.
• 아블레이션 연구에서 전처리만으로 F1이 1.26% 향상되었고, 후처리만으로는 3.4% 향상되었으며, 둘을 함께 적용하면 4.66% 향상되었다.
• 후처리가 수많은 작은 거짓 양성 세그먼트를 효과적으로 제거하는 데 특히 유용했으며, 그는 그림 4의 초록 원으로 시각적으로 확인되었다.
• 모델은 특히 혈관 강도가 주변 구조물보다 현저히 낮은 경우에 얇고 저대비의 동맥 세그먼트를 감지하는 데 어려움을 겪었다.
• 혈관이 교차하는 영역에서는 거품이 많이 생겨 모델이 혼동하는 경우가 많았으며, 이는 그림 5의 노란 화살표로 표시되었다.
• 시간 정보를 사용하지 않았음에도 불구하고 모델은 뛰어난 성능을 보였으며, 이는 향후 순차적 프레임 모델링 통합 가능성을 시사한다.

Figure 2: The proposed UNet-based StenUNet for stenosis detection. The reader is referred to Section 2 for more details on the StenUNet algorithm.