Auxiliary Input in Training: Incorporating Catheter Features into Deep Learning Models for ECG-Free Dynamic Coronary Roadmapping

要約

ダイナミック冠状動脈ロードマッピングは、X 線血管造影のオフライン画像シーケンスから抽出された血管マップ (「ロードマップ」) を X 線透視のライブ ストリームにリアルタイムでオーバーレイする技術です。
繰り返しの造影剤注入を必要とせずにインターベンション手術のためのナビゲーションガイダンスを提供し、それによって放射線被ばくや腎不全に関連するリスクを軽減することを目的としています。
ロードマップの精度は、心臓の位相に基づいた血管造影画像と透視画像の正確な位置合わせと、カテーテル先端の正確な追跡に依存します。
前者では、現在のフレーム内の血管形状に厳密に一致するロードマップが確実に選択されます。一方、後者では、カテーテル先端を参照点として使用して、ロードマップと現在の血管ツリー間の並進運動を調整します。
どちらのタスクでも深層学習モデルをトレーニングすることは困難であり、十分に研究されていません。
ただし、人間が作業を完了するためにカテーテルに大きく依存していることを考えると、カテーテルの機能をモデルに組み込むことで大きな利点が得られる可能性があります。
この目的を達成するために、シンプルだが効果的な方法であるトレーニングにおける補助入力 (AIT) を導入し、それが両方のタスクにわたってモデルのパフォーマンスを向上させ、知識の組み込みと転移学習においてベースラインの方法を上回るパフォーマンスを示すことを実証します。

要約(オリジナル)

Dynamic coronary roadmapping is a technology that overlays the vessel maps (the ‘roadmap’) extracted from an offline image sequence of X-ray angiography onto a live stream of X-ray fluoroscopy in real-time. It aims to offer navigational guidance for interventional surgeries without the need for repeated contrast agent injections, thereby reducing the risks associated with radiation exposure and kidney failure. The precision of the roadmaps is contingent upon the accurate alignment of angiographic and fluoroscopic images based on their cardiac phases, as well as precise catheter tip tracking. The former ensures the selection of a roadmap that closely matches the vessel shape in the current frame, while the latter uses catheter tips as reference points to adjust for translational motion between the roadmap and the present vessel tree. Training deep learning models for both tasks is challenging and underexplored. However, incorporating catheter features into the models could offer substantial benefits, given humans heavily rely on catheters to complete the tasks. To this end, we introduce a simple but effective method, auxiliary input in training (AIT), and demonstrate that it enhances model performance across both tasks, outperforming baseline methods in knowledge incorporation and transfer learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google