[论文解读] 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 23

一句话总结

本文提出了一种用于冠状动脉造影自动分析的端到端深度学习流程，分为三个阶段：关键帧提取、血管分割和狭窄程度测量。在左前斜位（LAO）视图中，关键帧选择的准确率达到98.4%（top-5），血管分割的F1得分为0.891，狭窄程度测量的I类错误率为20.7%，且模型在右前斜位（RAO）视图中也表现出良好的泛化能力。

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.

研究动机与目标

• 通过自动化血管造影视频序列分析，减少冠状动脉疾病评估中的观察者间差异。
• 开发一种集成的、端到端的深度学习流程，模拟临床冠状动脉造影评估的工作流程。
• 与心脏病专家的视觉评估相比，提高狭窄程度定量分析的客观性与可重复性。
• 证明模型在不同血管造影投照角度（包括LAO和RAO视图）之间的泛化能力。
• 通过提供无需专科专家的自动化、可重复分析，支持资源有限环境下的临床决策。

提出的方法

• 开发了三阶段流程：关键帧提取、血管分割和狭窄程度测量，每个阶段均采用专用的深度学习模型。
• 使用ResNet进行关键帧提取，从 fluoroscopy 序列中识别高对比度、具有诊断意义的帧。
• 采用带有跳跃连接的U-Net进行精确的血管分割，利用编码器和解码器路径的特征。
• 将几何分析与图像处理技术结合深度学习输出，以优化狭窄程度的量化。
• 应用迁移学习，将LAO视图训练的模型适配到RAO视图，实现跨视图泛化。
• 最终的狭窄程度测量采用非数据驱动方法，基于血管宽度减少，未来可扩展为回归模型。

实验结果

研究问题

• RQ1 深度学习流程能否在不同视图间实现高精度与强泛化能力，自动化完成冠状动脉造影视频序列的端到端分析？
• RQ2 在RAO视图上应用LAO视图训练的模型时，关键帧提取与血管分割的性能如何？影响如何？
• RQ3 与心脏病专家的视觉评估相比，自动化狭窄程度测量在多大程度上可降低I类错误？
• RQ4 结合LAO和RAO视图的狭窄程度预测是否能提高检测准确率与病变定位精度？
• RQ5 该系统在缺乏专业介入心脏病专家的临床环境中，支持临床决策的潜力如何？

主要发现

• 在LAO视图中，关键帧提取的top-5准确率达到98.4%，表明在识别具有诊断价值的帧方面具有高度可靠性。
• 在LAO视图中，血管分割的F1得分为0.891，表明在勾勒冠状动脉方面表现优异。
• 在RAO视图中，模型保持了稳健性能，top-5准确率为94.7%，F1得分为0.826，显示出良好的跨视图泛化能力。
• 在LAO数据上的狭窄程度测量中，I类错误率为20.7%，表明假阳性狭窄检测率相对较低。
• 结合LAO与RAO视图的最大狭窄值（Max(LAO, RAO)）可将平均绝对误差降低至12.0 ± 9.1%，提升测量精度。
• 在15名患者中，该算法成功识别出最严重狭窄的14例，证明其具备强大的病变定位能力。