DINO-LG: A Task-Specific DINO Model for Coronary Calcium Scoring

要約

冠動脈疾患（CAD）は、世界的な死亡率の主要原因の1つであり、効果的なリスク評価戦略が必要である。CT（コンピュータ断層撮影）による冠動脈カルシウム（CAC）スコアリングは、予防のための重要な手法である。従来の手法は、主に事前に構築されたモデル上に実装されたUNETアーキテクチャに基づくものであるが、CACを含む注釈付きCTスキャンの不足や、不均衡なデータセットなどの課題に直面し、セグメンテーションやスコアリングタスクの性能低下につながる。本研究では、DINO(self-distillation with no labels)のSSL(self-supervised learning)技術を取り入れることで、これらの限界に対処する。DINOは、CAC特有の注釈を必要とせずに学習し、明確な特徴を生成する際の頑健性を高める。DINO-LGモデルは、ラベルガイダンスを活用して石灰化領域に焦点を当て、CACを含むCTスライスの検出において、標準的なDINOモデルの感度79％、特異度77％と比較して、感度89％、特異度90％と大幅な改善を達成した。さらに、偽陰性率および偽陽性率はそれぞれ49％および59％減少し、低リスク患者の石灰化を除外する際に臨床医に大きな自信を与え、放射線科医による不必要な画像レビューを最小限に抑えることができる。さらに、CACのスコアリングとセグメンテーションのタスクは、DINO-LGモデルによって石灰化領域を含むと特定されたCTスライスに特別に適用される基本的なUNETアーキテクチャを用いて実施される。この標的を絞ったアプローチは、UNETモデルに関連スライスを供給することでCACスコアリング精度を高め、診断精度を大幅に改善し、偽陽性と偽陰性を減少させ、最終的には不必要な検査や治療を最小限に抑えることで医療費全体を削減し、CADリスク評価における価値ある進歩を提示する。

要約(オリジナル)

Coronary artery disease (CAD), one of the leading causes of mortality worldwide, necessitates effective risk assessment strategies, with coronary artery calcium (CAC) scoring via computed tomography (CT) being a key method for prevention. Traditional methods, primarily based on UNET architectures implemented on pre-built models, face challenges like the scarcity of annotated CT scans containing CAC and imbalanced datasets, leading to reduced performance in segmentation and scoring tasks. In this study, we address these limitations by incorporating the self-supervised learning (SSL) technique of DINO (self-distillation with no labels), which trains without requiring CAC-specific annotations, enhancing its robustness in generating distinct features. The DINO-LG model, which leverages label guidance to focus on calcified areas, achieves significant improvements, with a sensitivity of 89% and specificity of 90% for detecting CAC-containing CT slices, compared to the standard DINO model’s sensitivity of 79% and specificity of 77%. Additionally, false-negative and false-positive rates are reduced by 49% and 59%, respectively, instilling greater confidence in clinicians when ruling out calcification in low-risk patients and minimizing unnecessary imaging reviews by radiologists. Further, CAC scoring and segmentation tasks are conducted using a basic UNET architecture, applied specifically to CT slices identified by the DINO-LG model as containing calcified areas. This targeted approach enhances CAC scoring accuracy by feeding the UNET model with relevant slices, significantly improving diagnostic precision, reducing both false positives and false negatives, and ultimately lowering overall healthcare costs by minimizing unnecessary tests and treatments, presenting a valuable advancement in CAD risk assessment.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL