관상동맥 조영영상 자동분할의 형태학적 성능 개선을 위한 선택적 앙상블

Abstract

침습적 관상동맥 조영술(ICA)은 관상동맥 질환(CAD)의 진단과 시술도구의 가이드를 위하여 시행되는 대표적인 이미징 방법이다. 현 시점, 정량적 관상동맥 분석(QCA)에 있어 반자동 형식의 분할 도구는 많은 노력과 시간을 소요하여 결과물을 수동으로 수정해야 하며, 카테터 시술 중 실시간으로 사용하기엔 부적절하다. 더욱 자동화된 QCA를 위해선, 개선된 분할성능을 통하여 수정에 필요한 노력을 최소화할 필요가 있다. 이를 위해 해당 연구는 분할 이미지의 품질평가를 이용한 가중평균 앙상블을 소개한다. 새로이 제시된 이 앙상블 방식은 서로 다른 손실함수를 이용한 다섯가지의 베이스 딥러닝 모델의 결과물을, 형태학적 품질을 나타내는 수치로 평가하여 최적의 결과물을 도출한다. 제시된 신규 방식은 총 2,924명의 환자로부터 얻은 7,426프레임의 관상동맥 조영영상(CAG)에 대하여Dice similarity coefficient(DSC)로써 93.04%의 분할성능을 기록했으며, blob이 제거된 병변 주변영역에선 93.43%를 기록하였다. 특히, 혈관의 가장 좁은 영역에서 마스크가 끊어질 확률을 2.10%로 낮춤으로써 더 높은 분할성능을 보여줬다. 외부데이터를 이용한 검증에서도 새로운 방식은 높은 성능을 보여줬다. 최종 결과물 도출에 걸리는 시간은 0.16초가량으로, 실시간으로 사용하기에 적절한 속도를 보여줬다.