[논문 리뷰] Automated Detection of Coronary Artery Stenosis in X-ray Angiography using Deep Neural Networks

Dinis L. Rodrigues, Miguel Nobre Menezes외 2명|arXiv (Cornell University)|2021. 03. 04.

Cardiac Imaging and Diagnostics참고 문헌 23인용 수 13

한 줄 요약

이 논문은 전이 학습과 RetinaNet 기반 객체 검출을 활용한 두 단계의 딥러닝 프레임워크를 제안하여 X-레이 혈관 조영에서 관류 동맥 협착을 자동으로 탐지한다. 관류 동맥의 좌/우 관류 동맥 시각화를 분류하는 데 0.97의 정확도를 달성했고, 협착 지역을 국소화하는 데 0.68–0.73의 재현율을 기록하여 단일 및 다중 협착을 탐지하는 데 이전 방법들을 능가한다.

ABSTRACT

Coronary artery disease leading up to stenosis, the partial or total blocking of coronary arteries, is a severe condition that affects millions of patients each year. Automated identification and classification of stenosis severity from minimally invasive procedures would be of great clinical value, but existing methods do not match the accuracy of experienced cardiologists, due to the complexity of the task. Although a number of computational approaches for quantitative assessment of stenosis have been proposed to date, the performance of these methods is still far from the required levels for clinical applications. In this paper, we propose a two-step deep-learning framework to partially automate the detection of stenosis from X-ray coronary angiography images. In the two steps, we used two distinct convolutional neural network architectures, one to automatically identify and classify the angle of view, and another to determine the bounding boxes of the regions of interest in frames where stenosis is visible. Transfer learning and data augmentation techniques were used to boost the performance of the system in both tasks. We achieved a 0.97 accuracy on the task of classifying the Left/Right Coronary Artery (LCA/RCA) angle view and 0.68/0.73 recall on the determination of the regions of interest, for LCA and RCA, respectively. These results compare favorably with previous results obtained using related approaches, and open the way to a fully automated method for the identification of stenosis severity from X-ray angiographies.

연구 동기 및 목표

• 의료적 필요에 부응하여 침습적 관류 동맥 조영술(ICA)에서 관류 동맥 협착을 자동으로 정확하게 탐지함으로써 전문가 해석에 대한 의존도를 줄이기 위해.
• 이미지의 복잡성과 강력한 훈련 데이터 부족으로 인해 기존의 계산적 방법이 심장 전문의 수준의 정확도에 못 미치는 한계를 극복하기 위해.
• 최소한의 인간 간섭으로 X-레이 혈관 조영도에서 협착 정도를 식별할 수 있는 확장 가능하고 종단 간 전형적인 딥러닝 파이프라인을 개발하기 위해.
• 대규모 익명화된 ICA 데이터셋(438명 환자에서 온 9,378개 시퀀스)을 활용해 전이 학습과 데이터 증강을 통해 성능을 향상시켜 협착 탐지 성능을 향상시키기 위해.
• 정확한 협착 영역 국소화에 초점을 맞추어 향후 기능적 평가 지표인 iFR과의 통합을 가능하게 하기 위해.

제안 방법

• 첫 번째 단계로, 전이 학습과 미세 조정을 활용해 시각화 각도(좌/우 관류 동맥)를 식별하는 ResNet-50 기반 분류기를 사용한다.
• 일반화 능력 향상과 추론 시간 단축을 위해 데이터 증강 및 이미지 스케일링을 적용한다.
• 두 번째 단계에서 협착 탐지를 위해 특징 피라미드 네트워크(FPN)를 갖춘 단일 스풍선 객체 검출기인 RetinaNet을 활용한다.
• 전문가 애너테이션에서 유도된 진짜 박스를 사용해 LCA 및 RCA에 대해 별도의 RetinaNet 모델을 훈련시키며, 평가에 대해 신뢰도 점수와 IoU 임계값을 사용한다.
• 협착 영역와 비협착 영역를 구분하는 데 도움이 되도록 배경(BG) 및 정상(NL) 프레임을 훈련에 포함시킨다.
• 평가 지표로는 IoU > 0.2 및 신뢰도 점수 > 0.5를 진짜 양성 탐지 기준으로 사용한다.

실험 결과

연구 질문

• RQ1 두 단계의 딥러닝 프레임워크는 X-레이 혈관 조영도에서 관류 동맥의 시각화 각도(LCA/RCA)를 높은 정확도로 분류할 수 있는가?
• RQ2 전이 학습과 데이터 증강을 통한 RetinaNet 기반 객체 검출은 복잡한 혈관 조영 영상에서 협착 국소화 성능을 얼마나 향상시킬 수 있는가?
• RQ3 배경 및 정상 프레임(음성 예제)을 포함시키는 것이 모델이 협착 영역와 비협착 영역를 구분하는 데 어떤 영향을 미치는가?
• RQ4 유사한 평가 지표를 사용할 때, 기존 최고 수준의 접근 방식과 비교해 본 모델의 성능은 어떠한가?
• RQ5 특히 iFR 값이 임계값을 초과하는 어려운 케이스에서, 모델은 단일 프레임 내에서 다중 협착을 신뢰성 있게 탐지할 수 있는가?

주요 결과

• 미세 조정된 ResNet-50를 사용해 좌/우 관류 동맥 시각화 각도 분류에서 0.97의 정확도와 0.97의 F1 스코어를 달성했다.
• 협착 탐지 결과, LCA에 대해 최대 5개의 탐지에서 0.68의 재현율과 0.72의 정밀도를 기록했고, RCA에선 0.73의 재현율과 0.74의 정밀도를 기록했다.
• 유사한 평가 조건에서 Cong 등[4]이 보고한 바에 따르면 LCA의 재현율은 0.60, RCA는 0.71이었으며, 본 모델는 이들을 능가했다.
• 단일 협착이 있는 프레임에서 성능이 가장 높았고, 다중 협착 탐지에 대해서는 여전히 도전 과제였으며, 일부 배경 영역에서 가짜 양성 결과가 발생했다.
• 배경 및 정상 프레임(BGNL)을 포함시킨 결과 LCA 탐지 성능은 향상되었지만 RCA 성능 향상에는 기여하지 않았다. 이는 서로 다른 데이터 분포 문제를 시사한다.
• iFR 값이 임계값을 초과하는 어려운 케이스에서도 협착 탐지에 대해 강건함을 보였으며, 이는 기능적 평가 통합 가능성을 시사한다.