[论文解读] CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in MPR Images

Mariia Dobko, Bohdan Petryshak+1 more|arXiv (Cornell University)|Jan 23, 2020

Cardiac Imaging and Diagnostics被引用 4

一句话总结

该论文提出了一种基于ShuffleNet V2的完全自动化深度学习框架CNN-CASS，用于对CCTA扫描中弯曲多平面重建（MPR）图像的冠状动脉狭窄评分进行分类。该方法在无需主动脉中心线提取或手工特征的情况下，实现了80%的患者层面准确率，使用新收集的708例患者数据进行训练，105例用于测试，并通过基于梯度的可视化方法展示了模型的可解释性。

ABSTRACT

To decrease patient waiting time for diagnosis of the Coronary Artery Disease, automatic methods are applied to identify its severity using Coronary Computed Tomography Angiography scans or extracted Multiplanar Reconstruction (MPR) images, giving doctors a second-opinion on the priority of each case. The main disadvantage of previous studies is the lack of large set of data that could guarantee their reliability. Another limitation is the usage of handcrafted features requiring manual preprocessing, such as centerline extraction. We overcome both limitations by applying a different automated approach based on ShuffleNet V2 network architecture and testing it on the proposed collected dataset of MPR images, which is bigger than any other used in this field before. We also omit centerline extraction step and train and test our model using whole curved MPR images of 708 and 105 patients, respectively. The model predicts one of three classes: 'no stenosis' for normal, 'non-significant' - 1-50% of stenosis detected, 'significant' - more than 50% of stenosis. We demonstrate model's interpretability through visualization of the most important features selected by the network. For stenosis score classification, the method shows improved performance comparing to previous works, achieving 80% accuracy on the patient level. Our code is publicly available.

研究动机与目标

• 通过自动化CCTA扫描中狭窄评分的分类，减少冠状动脉疾病患者的诊断等待时间。
• 通过使用包含800多例患者的更大、公开可用的数据集，超越该领域以往的数据规模，克服先前研究的局限性。
• 消除对人工预处理步骤（如中心线提取和手工特征）的依赖，实现完全自动化。
• 通过使用集成梯度法可视化显著特征，提升模型可解释性，支持临床信任和决策验证。
• 在无需解剖对齐或分割的情况下，利用完整的弯曲MPR图像，展示该任务的最先进性能。

提出的方法

• 该方法采用在自定义708例患者MPR图像数据集上微调的预训练ShuffleNet V2架构进行训练，测试集包含105例患者。
• 输入数据由从CCTA扫描中提取的完整弯曲MPR图像组成，未进行任何预处理（如中心线提取或血管对齐）。
• 模型将狭窄程度分为三类：'无狭窄'、'非显著性'（1–50%狭窄）和'显著性'（>50%狭窄）。
• 通过集成梯度法实现模型可解释性，可视化每项预测中对结果影响最大的输入图像区域。
• 对于每幅MPR图像，汇总50次预测结果，采用多数投票法确定最终冠状动脉的分类结果。
• 该框架通过依赖从2D MPR图像端到端学习，避免使用3D CNN和分割网络，从而降低复杂度和计算成本。

实验结果

研究问题

• RQ1 深度学习模型是否能在无需中心线提取或手工特征的情况下，实现高精度的冠状动脉狭窄程度分类？
• RQ2 与以往小规模研究相比，使用更大、公开可用的MPR图像数据集是否能提升狭窄分类模型的可靠性和性能？
• RQ3 通过基于梯度的显著性图实现的模型可解释性是否能增强临床信任，并辅助放射科医生评估临界病例？
• RQ4 与依赖预处理或对齐血管数据的先前方法相比，2D CNN在弯曲MPR图像上的性能表现如何？
• RQ5 模型混淆的主要来源是什么？是否可通过网络架构或预处理改进加以缓解？

主要发现

• 所提出的CNN-CASS模型在狭窄评分的患者层面分类中达到80%的准确率，优于该任务中的先前方法。
• 该方法消除了对中心线提取和手工特征的依赖，实现了分类流程的完全自动化。
• 通过集成梯度法可视化显示，模型关注于解剖学上相关的区域（如血管腔和斑块区域），增强了可解释性。
• 尽管准确率较高，模型在某些区域（如胸骨和肋骨附近）偶尔会将钙化斑块误判为病理性狭窄，原因在于其与病理性狭窄具有相似的Hounsfield单位强度。
• 模型在不同MPR视图下表现稳健，即使在复杂解剖结构中也能持续关注血管腔和狭窄区域。
• 作者发布了包含800多例患者MPR图像的新数据集，其规模超过该领域以往使用过的任何数据集，为未来研究提供了支持。