RTN: Reinforced Transformer Network for Coronary CT Angiography Vessel-level Image Quality Assessment

要約

冠状動脈CT血管造影（CCTA）は、心血管疾患の正確な診断を著しく損なうさまざまな歪み（アーチファクトやノイズなど）の影響を受けやすくなっています。
適切なCCTA船舶レベルの画質評価（CCTA VIQA）アルゴリズムを使用して、エラー診断のリスクを減らすことができます。
CCTA VIQAの主な課題は、最終的な品質を決定する冠状動脈の局所部分を見つけるのが難しいことです。
この課題に取り組むために、CCTA VIQAをマルチインスタンス学習（MIL）問題として定式化し、TransformerベースのMILバックボーン（T-MILと呼ばれる）を活用して、冠状動脈中心線に沿った複数のインスタンスを最終的な品質に集約します。
ただし、すべてのインスタンスが最終的な品質について有益であるとは限りません。
正確な品質評価の間に、品質に関係のない/否定的なインスタンスがいくつかあります（たとえば、背景のみをカバーするインスタンス、またはインスタンスの冠状動脈は識別できません）。
したがって、CCTA VIQAの品質に関係のない/ネガティブなインスタンスを段階的に削除するために、プログレッシブ強化学習ベースのインスタンス破棄モジュール（PRIDと呼ばれる）を提案します。
上記の2つのモジュールに基づいて、エンドツーエンドの最適化に基づく自動CCTA VIQA用の強化トランスネットワーク（RTN）を提案します。
広範な実験結果は、提案された方法が実際のCCTAデータセットで最先端のパフォーマンスを達成し、以前のMIL方法を大幅に上回っていることを示しています。

要約(オリジナル)

Coronary CT Angiography (CCTA) is susceptible to various distortions (e.g., artifacts and noise), which severely compromise the exact diagnosis of cardiovascular diseases. The appropriate CCTA Vessel-level Image Quality Assessment (CCTA VIQA) algorithm can be used to reduce the risk of error diagnosis. The primary challenges of CCTA VIQA are that the local part of coronary that determines final quality is hard to locate. To tackle the challenge, we formulate CCTA VIQA as a multiple-instance learning (MIL) problem, and exploit Transformer-based MIL backbone (termed as T-MIL) to aggregate the multiple instances along the coronary centerline into the final quality. However, not all instances are informative for final quality. There are some quality-irrelevant/negative instances intervening the exact quality assessment(e.g., instances covering only background or the coronary in instances is not identifiable). Therefore, we propose a Progressive Reinforcement learning based Instance Discarding module (termed as PRID) to progressively remove quality-irrelevant/negative instances for CCTA VIQA. Based on the above two modules, we propose a Reinforced Transformer Network (RTN) for automatic CCTA VIQA based on end-to-end optimization. Extensive experimental results demonstrate that our proposed method achieves the state-of-the-art performance on the real-world CCTA dataset, exceeding previous MIL methods by a large margin.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google