要約
冠動脈疾患 (CAD) は、世界で最も一般的な死亡原因の 1 つです。
コンピュータ断層撮影 (CT) を使用した冠動脈カルシウム (CAC) スコアリングは、冠動脈疾患を予防するためのリスク評価の鍵となります。
CT スキャンにおけるリスク評価と石灰化検出に関するこれまでの研究では、主に UNET アーキテクチャに基づくアプローチが使用されており、事前に構築されたモデルに実装されることがよくあります。
ただし、これらのモデルは、CAC を含む注釈付き CT スキャンの利用可能性によって制限され、不均衡なデータセットに悩まされ、CAC セグメンテーションとスコアリングのパフォーマンスが低下します。
この研究では、DINO (ラベルなしの自己蒸留) の自己教師あり学習 (SSL) 技術を組み込むことでこのアプローチを拡張し、CT スキャンにおける希少な注釈付きデータの制限を排除します。
CAC エリアのアノテーションを必要とせずにトレーニングできる DINO モデルの機能により、個別の特徴を生成する際の堅牢性が向上します。
DINO モデルは、ラベルを使用して石灰化領域に特に焦点を当てるようにトレーニングされており、主要な特徴を効果的に捉えて強調する特徴を生成することを目的としています。
ラベルガイド付き DINO (DINO-LG) は、石灰化を含む CT スライスと石灰化を含まない CT スライスを区別することで分類を強化し、このタスクにおいて標準 DINO モデルよりも 57% 優れたパフォーマンスを発揮します。
CAC スコアリングおよびセグメンテーション タスクは、基本的な U-NET アーキテクチャによって実行され、特に DINO-LG モデルによって特定された石灰化領域を含む CT スライスが供給されます。
DINO-LG モデルによって実行されるこのターゲット識別により、CAC セグメンテーションのパフォーマンスが約 10% 向上し、CAC スコアリングの精度が大幅に向上します。
要約(オリジナル)
Coronary artery disease (CAD), one of the most common cause of mortality in the world. Coronary artery calcium (CAC) scoring using computed tomography (CT) is key for risk assessment to prevent coronary disease. Previous studies on risk assessment and calcification detection in CT scans primarily use approaches based on UNET architecture, frequently implemented on pre-built models. However, these models are limited by the availability of annotated CT scans containing CAC and suffering from imbalanced dataset, decreasing performance of CAC segmentation and scoring. In this study, we extend this approach by incorporating the self-supervised learning (SSL) technique of DINO (self-distillation with no labels) to eliminate limitations of scarce annotated data in CT scans. The DINO model’s ability to train without requiring CAC area annotations enhances its robustness in generating distinct features. The DINO model is trained on to focus specifically on calcified areas by using labels, aiming to generate features that effectively capture and highlight key characteristics. The label-guided DINO (DINO-LG) enhances classification by distinguishing CT slices that contain calcification from those that do not, performing 57% better than the standard DINO model in this task. CAC scoring and segmentation tasks are performed by a basic U-NET architecture, fed specifically with CT slices containing calcified areas as identified by the DINO-LG model. This targeted identification performed by DINO-LG model improves CAC segmentation performance by approximately 10% and significant increase in CAC scoring accuracy.
arxiv情報
著者 | Mahmut S. Gokmen,Cody Bumgardner,Caner Ozcan |
発行日 | 2024-11-13 03:56:10+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google