ScarNet: A Novel Foundation Model for Automated Myocardial Scar Quantification from LGE in Cardiac MRI

要約

背景後期ガドリニウム増強（LGE）画像は心筋線維化と瘢痕を評価するためのゴールドスタンダードであり、左室（LV）LGE範囲は主要有害心イベント（MACE）を予測する。その重要性にもかかわらず、日常的なLGEに基づくLV瘢痕の定量化は、手間のかかる手作業によるセグメンテーションと観察者間のばらつきによって妨げられている。方法ScarNetは、Medical Segment Anything Model（MedSAM）のトランスフォーマーベースのエンコーダーとコンボリューションベースのU-Netデコーダーを組み合わせたハイブリッドモデルである。ScarNetは、552人の虚血性心筋症患者を対象に、心筋と瘢痕の境界の専門家によるセグメンテーションでトレーニングされ、184人の別々の患者でテストされた。結果ScarNetは184人のテスト患者で頑健な瘢痕セグメンテーションを達成し、Diceスコア中央値は0.912（IQR：0.863–0.944）で、MedSAM（Diceスコア中央値：0.046、IQR：0.043–0.047）とnnU-Net（Diceスコア中央値：0.638、IQR：0.604–0.661）を有意に上回った。ScarNetは、MedSAM（バイアス：-13.31％、CoV：130.3％）およびnnU-Net（バイアス：-2.46％、CoV：20.3％）と比較して、バイアス（-0.63％）および変動係数（4.3％）が低いことを示した。ノイズ擾乱を含むモンテカルロシミュレーションでは、ScarNetはMedSAM（0.048 ㏜ 0.112、CoV＝233.3％）、nnU-Net（0.615 ㏜ 0.537、CoV＝28.7％）よりも有意に高い瘢痕ダイス（0.892 ㏜ 0.053、CoV＝5.9％）を達成した。結論ScarNetは、LGE画像における心筋と瘢痕の境界の正確なセグメンテーションにおいて、MedSAMとnnU-Netを上回った。このモデルは、様々な画質や瘢痕パターンに対して頑健な性能を示した。

要約(オリジナル)

Background: Late Gadolinium Enhancement (LGE) imaging is the gold standard for assessing myocardial fibrosis and scarring, with left ventricular (LV) LGE extent predicting major adverse cardiac events (MACE). Despite its importance, routine LGE-based LV scar quantification is hindered by labor-intensive manual segmentation and inter-observer variability. Methods: We propose ScarNet, a hybrid model combining a transformer-based encoder from the Medical Segment Anything Model (MedSAM) with a convolution-based U-Net decoder, enhanced by tailored attention blocks. ScarNet was trained on 552 ischemic cardiomyopathy patients with expert segmentations of myocardial and scar boundaries and tested on 184 separate patients. Results: ScarNet achieved robust scar segmentation in 184 test patients, yielding a median Dice score of 0.912 (IQR: 0.863–0.944), significantly outperforming MedSAM (median Dice = 0.046, IQR: 0.043–0.047) and nnU-Net (median Dice = 0.638, IQR: 0.604–0.661). ScarNet demonstrated lower bias (-0.63%) and coefficient of variation (4.3%) compared to MedSAM (bias: -13.31%, CoV: 130.3%) and nnU-Net (bias: -2.46%, CoV: 20.3%). In Monte Carlo simulations with noise perturbations, ScarNet achieved significantly higher scar Dice (0.892 \pm 0.053, CoV = 5.9%) than MedSAM (0.048 \pm 0.112, CoV = 233.3%) and nnU-Net (0.615 \pm 0.537, CoV = 28.7%). Conclusion: ScarNet outperformed MedSAM and nnU-Net in accurately segmenting myocardial and scar boundaries in LGE images. The model exhibited robust performance across diverse image qualities and scar patterns.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL