[论文解读] Automatic Coronary Artery Plaque Quantification and CAD-RADS Prediction using Mesh Priors

Rudolf L. M. van Herten, Nils Hampe+8 more|arXiv (Cornell University)|Oct 17, 2023

Cardiac Imaging and Diagnostics被引用 4

一句话总结

本文提出了一种深度学习方法，通过使用中心线先验，直接从CCTA扫描中生成解剖学上有效的冠状动脉管腔和斑块表面网格，实现自动、精确的斑块量化和CAD-RADS分类。该方法在保留测试集上实现了0.98（钙化斑块）的组内相关系数和0.75的线性加权κ值（患者水平CAD-RADS评分）。

ABSTRACT

Coronary artery disease (CAD) remains the leading cause of death worldwide. Patients with suspected CAD undergo coronary CT angiography (CCTA) to evaluate the risk of cardiovascular events and determine the treatment. Clinical analysis of coronary arteries in CCTA comprises the identification of atherosclerotic plaque, as well as the grading of any coronary artery stenosis typically obtained through the CAD-Reporting and Data System (CAD-RADS). This requires analysis of the coronary lumen and plaque. While voxel-wise segmentation is a commonly used approach in various segmentation tasks, it does not guarantee topologically plausible shapes. To address this, in this work, we propose to directly infer surface meshes for coronary artery lumen and plaque based on a centerline prior and use it in the downstream task of CAD-RADS scoring. The method is developed and evaluated using a total of 2407 CCTA scans. Our method achieved lesion-wise volume intraclass correlation coefficients of 0.98, 0.79, and 0.85 for calcified, non-calcified, and total plaque volume respectively. Patient-level CAD-RADS categorization was evaluated on a representative hold-out test set of 300 scans, for which the achieved linearly weighted kappa ($κ$) was 0.75. CAD-RADS categorization on the set of 658 scans from another hospital and scanner led to a $κ$ of 0.71. The results demonstrate that direct inference of coronary artery meshes for lumen and plaque is feasible, and allows for the automated prediction of routinely performed CAD-RADS categorization.

研究动机与目标

• 为解决体素级分割在冠状动脉分析中的局限性，后者常无法生成解剖学上合理的形态。
• 通过直接推断管腔和斑块的表面网格，实现CCTA中斑块量化与狭窄程度分级的临床工作流程自动化。
• 通过用基于深度学习的网格生成框架替代人工或半自动评估，提高CAD-RADS分类的可重复性并减少观察者间差异。
• 通过使用中心线先验确保管腔和斑块结构的拓扑正确性，避免传统分割中的常见伪影。
• 在来自多个扫描仪和机构的多样化数据上评估该方法，证明其在不同扫描协议和患者人群中的鲁棒性。

提出的方法

• 该方法使用一维卷积神经网络（1D ResNet）处理从冠状动脉中心线追踪得到的圆柱形数据，实现在血管路径上的空间建模。
• 冠状动脉管腔和斑块（钙化、非钙化及总和）的表面网格直接从网络输出预测，确保拓扑有效且解剖学上合理。
• 通过中心线先验引导网络沿冠状动脉树生成一致、连续的网格，使网格顶点与血管路径对齐。
• 网络在来自多个厂商和扫描类型共2407例CCTA扫描上进行端到端训练，其真实标签来自专家标注。
• 通过分析预测的基于网格的管腔和斑块体积得出的最大狭窄程度，完成CAD-RADS分类。
• 对于因中心线提取错误（如闭塞或异常开口）导致的失败案例，通过排除标准处理，未来可通过手动种子点实现交互式优化。

实验结果

研究问题

• RQ1 能否通过使用中心线先验，直接从CCTA数据生成网格，实现冠状动脉管腔和斑块的精确且拓扑有效的分割？
• RQ2 与传统体素级分割相比，该基于网格的方法在斑块体积量化精度方面表现如何？
• RQ3 该方法在多大程度上能实现CAD-RADS分类的自动化，并与专家读片结果保持高度一致？
• RQ4 该方法在不同扫描仪类型、重建参数及多中心数据中患者解剖结构差异下的鲁棒性如何？
• RQ5 该方法的主要失败模式是什么，特别是在完全闭塞或伪影（如 blooming）情况下？

主要发现

• 该方法在钙化斑块体积上的组内相关系数（ICC）达到0.98，非钙化斑块为0.79，总斑块体积为0.85，表明具有高度可重复性。
• 在300例扫描的代表性保留测试集上，患者水平的CAD-RADS分类达到线性加权kappa（κ）值为0.75，表明与专家读片结果具有显著一致性。
• 在另一家医院和扫描仪的外部测试集658例扫描中，κ值达到0.71，证明其在扫描仪和机构差异下的鲁棒性。
• 仅3.5%的扫描在CAD-RADS分类上与参考标准相差超过一个类别，表明其具有极强的可靠性。
• 在2407例扫描中仅有2例因未识别的异常开口导致失败，表明其中心线提取具有高度可靠性。
• 一维视觉Transformer的性能较差（κ = 0.63），低于1D ResNet，表明对于狭窄程度预测而言，局部依赖关系比全局依赖关系更为关键。