[论文解读] Automated Characterization of Stenosis in Invasive Coronary Angiography Images with Convolutional Neural Networks

B. Au, Uri Shaham+8 more|arXiv (Cornell University)|Jul 19, 2018

Coronary Interventions and Diagnostics参考文献 27被引用 21

一句话总结

本论文提出一种基于卷积神经网络（CNN）的深度学习框架，用于自动化冠状动脉造影（ICA）图像中狭窄病变的表征，实现实时的定位、分割和分类，针对右冠状动脉（RCA）狭窄病变进行分析。该方法在统计学上显著优于医生视觉评估（PVA），定位准确率达72.7%，Dice系数为0.704，C-statistic为0.825，标志着首个端到端自动化系统在快速RCA狭窄病变分析中超越临床标准。

ABSTRACT

The determination of a coronary stenosis and its severity in current clinical workflow is typically accomplished manually via physician visual assessment (PVA) during invasive coronary angiography. While PVA has shown large inter-rater variability, the more reliable and accurate alternative of Quantitative Coronary Angiography (QCA) is challenging to perform in real-time due to the busy workflow in cardiac catheterization laboratories. We propose a deep learning approach based on Convolutional Neural Networks (CNN) that automatically characterizes and analyzes coronary stenoses in real-time by automating clinical tasks performed during QCA. Our deep learning methods for localization, segmentation and classification of stenosis in still-frame invasive coronary angiography (ICA) images of the right coronary artery (RCA) achieve performance of 72.7% localization accuracy, 0.704 dice coefficient and 0.825 C-statistic in each respective task. Integrated in an end-to-end approach, our model's performance shows statistically significant improvement in false discovery rate over the current standard in real-time clinical stenosis assessment, PVA. To the best of the authors' knowledge, this is the first time an automated machine learning system has been developed that can implement tasks performed in QCA, and the first time an automated machine learning system has demonstrated significant improvement over the current clinical standard for rapid RCA stenosis analysis.

研究动机与目标

• 为解决在介入性冠状动脉造影中医生视觉评估（PVA）存在高评分者间变异性的挑战。
• 开发一种自动化、实时的定量冠状动脉造影（QCA）替代方案，以应对QCA耗时且在快速运转的心导管实验室中不切实际的问题。
• 实施一个深度学习流水线，自动化关键QCA任务：在静态ICA图像中实现狭窄病变的定位、分割和分类。
• 评估端到端基于CNN的系统是否能显著降低与PVA相比的假阳性发现率。
• 在临床环境中建立基于深度学习实现自动化、实时冠状动脉狭窄病变分析的基准。

提出的方法

• 在右冠状动脉（RCA）的静态介入性冠状动脉造影（ICA）图像上，端到端训练一种自定义的卷积神经网络（CNN）架构。
• 该模型同时执行三项任务：狭窄病变定位（边界框预测）、分割（像素级病变勾勒）和分类（狭窄严重程度评估）。
• 网络采用多任务学习框架，通过标注的临床ICA图像联合优化定位、分割和分类任务。
• 使用标准指标评估性能：定位准确率（正确边界框的百分比）、分割重叠的Dice系数，以及分类任务的C-statistic（受试者工作特征曲线下面积）。
• 在真实临床工作流程环境中对系统进行验证，并与作为当前临床标准的医生视觉评估（PVA）进行比较。
• 应用数据增强和迁移学习技术，以提升模型在有限临床影像数据上的泛化能力。

实验结果

研究问题

• RQ1 深度学习模型是否能在介入性冠状动脉造影图像中实现可靠的狭窄病变定位，且性能达到或超过医生视觉评估？
• RQ2 单个CNN模型在ICA图像中准确分割冠状动脉狭窄病变的程度如何，以Dice系数衡量？
• RQ3 与PVA相比，端到端深度学习系统是否能在实时狭窄病变评估中降低假阳性发现率？
• RQ4 尽管心脏导管实验室工作负荷高，深度学习系统是否能实现实时自动化关键QCA任务？
• RQ5 是否可行开发一种临床可部署的自动化系统，其诊断准确率与PVA相当或更优，用于RCA狭窄病变的表征？

主要发现

• 所提出的CNN模型在测试数据上实现了72.7%的定位准确率，表明其在ICA图像中对狭窄区域具有稳健的检测能力。
• 该模型在狭窄病变分割任务中获得0.704的Dice系数，表明与真实病变边界具有较强的重叠度。
• 在狭窄病变分类方面，模型的C-statistic达到0.825，表明其在正常与狭窄血管之间具有良好的判别性能。
• 端到端系统在假阳性发现率方面相比医生视觉评估（PVA）这一当前临床标准，表现出统计学上的显著降低。
• 本研究首次证明，自动化深度学习系统可在右冠状动脉实时狭窄病变分析中超越PVA。
• 研究结果为临床心脏病学中基于深度学习实现自动化、实时冠状动脉狭窄病变表征设立了新基准。