[論文レビュー] Automated Deep Learning Analysis of Angiography Video Sequences for Coronary Artery Disease

Chengyang Zhou, Thao Vy Dinh+5 more|arXiv (Cornell University)|Jan 29, 2021

Coronary Interventions and Diagnostics参考文献 29被引用数 23

ひとこと要約

本論文は、キーフレーム抽出、血管セグメンテーション、狭窄度測定の3段階で構成されるエンドツーエンドのディープラーニングパイプラインを提示する。キーフレーム選定では98.4%のトップ5精度、血管セグメンテーションでは0.891のF1スコア、左前斜位（LAO）視野では狭窄度測定で20.7%のI型誤差率を達成し、右前斜位（RAO）視野への一般化性も優れている。

ABSTRACT

The evaluation of obstructions (stenosis) in coronary arteries is currently done by a physician's visual assessment of coronary angiography video sequences. It is laborious, and can be susceptible to interobserver variation. Prior studies have attempted to automate this process, but few have demonstrated an integrated suite of algorithms for the end-to-end analysis of angiograms. We report an automated analysis pipeline based on deep learning to rapidly and objectively assess coronary angiograms, highlight coronary vessels of interest, and quantify potential stenosis. We propose a 3-stage automated analysis method consisting of key frame extraction, vessel segmentation, and stenosis measurement. We combined powerful deep learning approaches such as ResNet and U-Net with traditional image processing and geometrical analysis. We trained and tested our algorithms on the Left Anterior Oblique (LAO) view of the right coronary artery (RCA) using anonymized angiograms obtained from a tertiary cardiac institution, then tested the generalizability of our technique to the Right Anterior Oblique (RAO) view. We demonstrated an overall improvement on previous work, with key frame extraction top-5 precision of 98.4%, vessel segmentation F1-Score of 0.891 and stenosis measurement 20.7% Type I Error rate.

研究の動機と目的

• 心臓血管疾患の診断における観察者間ばらつきを低減するため、フラuroscopy動画シーケンスの分析を自動化すること。
• 臨床ワークフローを模倣する統合的・エンドツーエンドのディープラーニングパイプラインを構築すること。
• 心臓専門医による視覚的評価と比較して、狭窄度の定量化における客観性と再現性を向上させること。
• モデルの一般化能力を、左前斜位（LAO）および右前斜位（RAO）視野を含む、さまざまな心臓血管造影投影像において示すこと。
• 専門的知識を要しない自動で繰り返し可能な分析を可能にすることで、人的資源が限られた臨床現場における意思決定支援を支援すること。

提案手法

• キーフレーム抽出、血管セグメンテーション、狭窄度測定の3段階パイプラインを構築し、それぞれに特化したディープラーニングモデルを用いた。
• フラuroscopyシーケンスから高コントラストで診断的に有用なフレームを特定するために、ResNetをキーフレーム抽出に用いた。
• エンコーダーとデコーダーパathの特徴を統合することで、正確な血管セグメンテーションを実現するため、スキップ接続を備えたU-Netを適用した。
• 幾何的解析と画像処理技術をディープラーニングの出力と組み合わせ、狭窄度の定量化を精緻化した。
• LAO視野で学習したモデルをRAO視野に適応させるために、トランスファーラーニングを適用し、視野間での一般化を可能にした。
• 最終的な狭窄度測定は、血管径の減少に基づくデータドリブンでないアプローチを採用しており、将来の回帰モデルへの応用が見込まれる。

実験結果

リサーチクエスチョン

• RQ1 高精度かつ視野間での一般化性を備えたディープラーニングパイプラインが、心臓血管造影動画シーケンスのエンドツーエンド分析を自動化できるか？
• RQ2 LAO視野で学習したモデルをRAO視野に適用した場合の性能はどの程度か。特にキーフレーム抽出および血管セグメンテーションへの影響は？
• RQ3 自動化された狭窄度測定が、心臓専門医による視覚的評価と比較して、I型誤差をどの程度低減できるか？
• RQ4 LAOおよびRAO視野からの狭窄度予測を統合することで、診断精度および病変部位の特定精度が向上するか？
• RQ5 本システムが、心臓カテーテルラボ専門医が不足する環境において、臨床意思決定支援に果たす潜在的貢献は何か？

主な発見

• キーフレーム抽出はLAO視野で98.4%のトップ5精度を達成し、診断的に有用なフレームを高信頼性で特定できることを示した。
• 血管セグメンテーションはLAO視野でF1スコア0.891を達成し、冠動脈を正確に抽出できることを示した。
• RAO視野では94.7%のトップ5精度およびF1スコア0.826を維持し、優れた視野間一般化性能を示した。
• LAOデータにおける狭窄度測定では20.7%のI型誤差率を示し、偽陽性の狭窄度検出率が比較的低いことを示した。
• LAOおよびRAO視野の最大狭窄度（Max(LAO, RAO)）を用いることで、平均絶対誤差が12.0 ± 9.1%に低下し、精度が向上した。
• LAOおよびRAO視野を比較した結果、15例中14例で最も重度の狭窄を正しく同定したため、病変部位の特定能力が優れていることが示された。