[논문 리뷰] AI-based Aortic Vessel Tree Segmentation for Cardiovascular Diseases Treatment: Status Quo

Yuan Jin, Antonio Pepe외 7명|arXiv (Cornell University)|2021. 08. 06.

Aortic aneurysm repair treatments참고 문헌 86인용 수 10

한 줄 요약

이 논문은 의료 영상, 특히 CT 혈관 조영술(CTA)에서 대동맥 혈관 수관의 자동 분할을 위한 AI 기반 방법에 대한 종합적인 리뷰를 제공한다. 딥 러닝과 전통적 접근법을 평가하며, 대규모 레이블링된 데이터셋 부족 및 일관되지 않은 정지 기준과 같은 핵심 과제를 규명하고, 향후 방향으로 공개 데이터셋, 패치 기반 네트워크, 벤치마크 도전 대회를 제안하여 임상 적용을 촉진한다.

ABSTRACT

The aortic vessel tree is composed of the aorta and its branching arteries, and plays a key role in supplying the whole body with blood. Aortic diseases, like aneurysms or dissections, can lead to an aortic rupture, whose treatment with open surgery is highly risky. Therefore, patients commonly undergo drug treatment under constant monitoring, which requires regular inspections of the vessels through imaging. The standard imaging modality for diagnosis and monitoring is computed tomography (CT), which can provide a detailed picture of the aorta and its branching vessels if completed with a contrast agent, called CT angiography (CTA). Optimally, the whole aortic vessel tree geometry from consecutive CTAs is overlaid and compared. This allows not only detection of changes in the aorta, but also of its branches, caused by the primary pathology or newly developed. When performed manually, this reconstruction requires slice by slice contouring, which could easily take a whole day for a single aortic vessel tree, and is therefore not feasible in clinical practice. Automatic or semi-automatic vessel tree segmentation algorithms, however, can complete this task in a fraction of the manual execution time and run in parallel to the clinical routine of the clinicians. In this paper, we systematically review computing techniques for the automatic and semi-automatic segmentation of the aortic vessel tree. The review concludes with an in-depth discussion on how close these state-of-the-art approaches are to an application in clinical practice and how active this research field is, taking into account the number of publications, datasets and challenges.

연구 동기 및 목표

• 의료 영상에서 대동맥 혈관 수관의 자동 및 반자동 분할을 위한 기존의 AI 기반 및 전통적 방법을 체계적으로 검토하는 것.
• 임상 적용을 저해하는 핵심 과제, 즉 부족한 레이블링된 데이터셋, 해상도 제한, 일관되지 않은 분할 경계 등을 규명하는 것.
• 딥 러닝과 고전적 접근법이 대동맥 혈관 수관 분할에서 성능 및 일반화 가능성을 어떻게 비교되는지 평가하는 것.
• 심혈관 영상 분야에서 연구와 임상 적용 사이의 격차를 좁히기 위한 실천 가능한 향후 연구 방향을 제안하는 것.
• 미래 연구를 위한 미개척 영역을 식별하는 데 연구자들을 안내하는 것.

제안 방법

• CT 및 MRI 영상에서 대동맥 혈관 수관에 적용된 AI 기반 및 고전적 분할 기법에 대한 체계적 문헌 리뷰를 수행한 것.
• 딥 러닝(예: U-Net 변종, 3D CNN)과 전통적 영상 처리 기법(예: 헤시안 기반 필터, 영역 확장)을 기반으로 방법을 분류하고 비교한 것.
• 영상 해상도와 다운샘플링이 분할 정확도에 미치는 영향을 평가하며, 해부학적 세부 정보를 유지하기 위해 패치 기반 접근법을 지지한 것.
• 기본 진술 레이블링의 역할을 분석하고, 일관된 레이블링이 있는 표준화된 공개 데이터셋의 필요성을 제안한 것.
• 혈관 분할을 위한 유니버설 정지 기준의 중요성을 논의하며, 스캔 간 정합성 있는 비교를 보장하기 위한 필요성을 강조한 것.
• 강건성 향상과 레이블링 부담 감소를 위해 고전적 방법과 딥 러닝의 통합을 제안한 것.

실험 결과

연구 질문

• RQ1 의료 영상에서 대동맥 혈관 수관을 분할하기 위한 현재 최고의 AI 기반 및 전통적 방법은 무엇인가?
• RQ2 정확도, 자동화 수준 및 일반화 능력 측면에서 딥 러닝 모델은 고전적 영상 처리 기법보다 어떻게 비교되는가?
• RQ3 자동 대동맥 혈관 수관 분할의 광범위한 임상 적용을 저지르는 주요 기술적 및 데이터 기반 장벽은 무엇인가?
• RQ4 현재의 데이터셋 및 레이블링 관행이 신뢰할 수 있는 모델 훈련과 평가를 지원하는 데 얼마나 기여하는가?
• RQ5 공개 도전 대회, 패치 기반 네트워크, 하이브리드 방법과 같은 향후 연구 방향은 임상 적용을 가속화하는 데 얼마나 기여할 수 있는가?

주요 결과

• 딥 러닝 접근법은 복잡한 분지형 구조에서 자동화 및 일반화 능력 측면에서 전통적 방법을 능가한다.
• 공개된 잘 레이블링된 데이터셋 부족이 모델 개발 및 벤치마크의 주요 장애물로 남아 있다.
• 전신 CTA 스캔을 네트워크 입력으로 다운샘플링하면 해부학적 세부 정보가 심각하게 손실되고 분할 정확도가 저하된다.
• 혈관 분할을 위한 정지 기준에 대한 공감대가 없어 연구 간 평가가 일관되지 않게 된다.
• 현재의 레이블링 도구는 대규모 기반 진술을 생성하는 데 비효율적이며, 지도 학습의 확장성에 제한을 준다.
• SegTHOR와 같은 공개 도전 대회가 연구를 진전시켰지만, 아직까지 복부 및 대퇴동맥 분지까지 포함한 전체 대동맥 혈관 수관을 충분히 다루지 못하고 있다.