[论文解读] Automated Detection of Coronary Artery Stenosis in X-ray Angiography using Deep Neural Networks

Dinis L. Rodrigues, Miguel Nobre Menezes+2 more|arXiv (Cornell University)|Mar 4, 2021

Cardiac Imaging and Diagnostics参考文献 23被引用 13

一句话总结

本文提出了一种基于迁移学习和RetinaNet的两阶段深度学习框架，用于在X射线血管造影中自动检测冠状动脉狭窄。该方法在分类左/右冠状动脉视图时达到0.97的准确率，在狭窄定位中实现0.68–0.73的召回率，优于先前方法在检测单个和多个狭窄方面的表现。

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.

研究动机与目标

• 为介入性冠状动脉造影（ICA）中自动化、高精度检测冠状动脉狭窄提供临床解决方案，以减少对专家解读的依赖。
• 克服现有计算方法因图像复杂性和缺乏稳健训练数据而导致的局限性，难以达到心内科医生水平的准确率。
• 开发一种可扩展的端到端深度学习流程，通过最少的人工干预从X射线血管造影片段中识别狭窄严重程度。
• 通过在包含438名患者共9,378个序列的大规模匿名ICA数据集上应用迁移学习和数据增强，提升检测性能。
• 通过精确识别狭窄区域，为未来与功能评估指标（如iFR）的集成奠定基础。

提出的方法

• 采用两阶段框架：第一阶段使用基于ResNet-50的分类器，通过迁移学习和微调技术识别视图角度（左或右冠状动脉）。
• 应用数据增强和图像缩放技术，以提升泛化能力并减少推理时间，同时保持高准确率。
• 第二阶段采用RetinaNet（一种具有特征金字塔网络（FPN）的单阶段目标检测器）进行狭窄检测。
• 针对LCA和RCA分别训练RetinaNet模型，使用专家标注的边界框作为真实标签，并以置信度分数和IoU阈值作为评估标准。
• 将背景（BG）和正常（NL）帧纳入训练，以提升模型对狭窄与非狭窄区域的区分能力。
• 在评估指标中，将IoU > 0.2且置信度分数 > 0.5作为真正例检测的标准。

实验结果

研究问题

• RQ1 两阶段深度学习框架能否在X射线血管造影片段中实现高准确率的冠状动脉视图角度（LCA/RCA）分类？
• RQ2 在复杂血管造影片段中，结合迁移学习和数据增强的RetinaNet目标检测方法在狭窄定位方面能提升多少性能？
• RQ3 包含负样本（背景和健康冠状动脉帧）如何影响模型对狭窄与非狭窄区域的区分能力？
• RQ4 在使用相似评估指标的情况下，该方法与先前最先进方法在狭窄检测性能上相比如何？
• RQ5 该模型能否在单帧中可靠检测多个狭窄，特别是在iFR值高于阈值的困难病例中？

主要发现

• 通过微调的ResNet-50，模型在分类左或右冠状动脉视图时达到0.97的准确率和0.97的F1分数。
• 在狭窄检测方面，模型在LCA上实现最多五次检测时0.68的召回率和0.72的精确率，在RCA上实现0.73的召回率和0.74的精确率。
• 该方法优于Cong等人[4]的先前工作，后者在相似评估条件下报告LCA召回率为0.60，RCA为0.71。
• 在单个狭窄的帧中性能最高；在单帧中检测多个狭窄仍具挑战性，部分背景区域出现假阳性。
• 包含背景和正常帧（BGNL）提升了LCA的检测性能，但未改善RCA的表现，表明存在不同的数据分布挑战。
• 该模型在iFR值高于阈值的困难病例中仍能可靠检测狭窄，表明其具备与功能评估集成的潜力。