[论文解读] StenUNet: Automatic Stenosis Detection from X-ray Coronary Angiography

Hui Lin, Tom Liu+2 more|arXiv (Cornell University)|Oct 23, 2023

Coronary Interventions and Diagnostics被引用 5

一句话总结

StenUNet 是一种基于 U-Net 的深度学习模型，可在 X 射线冠状动脉造影中实现精确的像素级狭窄检测，在 ARCADE 挑战赛测试集上取得了 53.48% 的 F1 分数，排名所有团队中的第 3 名。该模型结合了预处理以减少假阳性，以及后处理以消除细小的虚假片段，显著提升了基线方法的检测精度。

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.

研究动机与目标

• 解决从 X 射线冠状动脉造影中手动评估狭窄时存在的高人与人之间及同人不同次评估之间的变异性。
• 开发一种自动化、可重复的狭窄检测方法，以提高准确性并减轻临床工作负荷。
• 实现对狭窄区域的精确像素级分割，而非依赖边界框或类激活图。
• 通过预处理和后处理技术增强在低质量或具有挑战性的图像帧中的鲁棒性。
• 实现实时部署，每幅图像的推理时间低于 5 秒，适用于临床集成。

提出的方法

• StenUNet 采用具有编码器-解码器结构和跳跃连接的 U-Net 架构，以保留空间细节，实现像素级分割。
• 该模型结合了预处理（如血管增强和降噪）以在检测前抑制假阳性。
• 后处理应用形态学操作和大小过滤，以去除可能为假阳性的细小、虚假片段。
• 网络通过 ARCADE 数据集中像素级狭窄标注使用二元交叉熵损失进行端到端训练。
• 此版本未使用连续帧的时间信息，但未来扩展可能引入 RNN 或 Transformer。
• 推理时间被限制在每幅图像低于 5 秒，以满足临床部署要求。

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 .

实验结果

研究问题

• RQ1 基于 U-Net 的架构是否能在 X 射线冠状动脉造影中实现高精度的像素级狭窄分割？
• RQ2 预处理和后处理步骤在单独和联合使用时，对狭窄检测性能的影响如何？
• RQ3 该模型在对比度低或存在噪声的图像帧中，对视觉上模糊的狭窄区域的泛化能力如何？
• RQ4 与使用边界框或注意力图的最先进方法相比，StenUNet 的 F1 分数表现如何？
• RQ5 该模型的主要失败模式是什么，特别是在检测细小或微弱血管时？

主要发现

• StenUNet 在 ARCADE 挑战赛测试集上取得了 53.48% 的 F1 分数，排名所有参赛团队中的第 3 名。
• 消融实验表明，仅使用预处理可使 F1 提升 1.26%，仅使用后处理可使 F1 提升 3.4%，两者联合使用则使性能提升 4.66%。
• 后处理在去除大量细小假阳性片段方面尤为有效，如图 4 中的绿色圆圈所视觉证实。
• 该模型在检测细小、低对比度的动脉段时表现困难，尤其是在血管强度明显低于周围结构时。
• 假阳性常出现在血管交叉区域，密集交叉使模型产生混淆，如图 5 中的黄色箭头所示。
• 尽管未使用时间信息，该模型仍表现出强劲性能，表明未来集成连续帧建模具有潜力。

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