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

要約

世界中の死亡率の主要な原因の1つである冠動脈疾患（CAD）は、効果的なリスク評価戦略を必要とし、コンピューター断層撮影（CT）を介した冠動脈カルシウム（CAC）のスコアリングが予防の重要な方法です。
主に事前に構築されたモデルに実装されたUNETアーキテクチャに基づいた従来の方法は、CACと不均衡なデータセットを含む注釈付きCTスキャンの希少性のような課題に直面し、セグメンテーションとスコアリングタスクのパフォーマンスの低下につながります。
この研究では、CAC固有の注釈を必要とせずに訓練し、異なる特徴を生成する堅牢性を高めることなく訓練するDinoの自己監視学習（SSL）技術（ラベルなしの自己抵抗）を組み込むことにより、これらの制限に対処します。
標準的なDinoモデルの感度79％および77％の特異性と比較して、CAC含有CTスライスを検出するために、CAC含有CTスライスを検出するために、89％の感度と90％の特異性で、ラベルガイダンスを活用するラベルガイダンスを活用するDINO-LGモデルが大幅な改善を達成します。
さらに、偽陰性および偽陽性率はそれぞれ49％と59％減少し、低リスク患者の石灰化を除外し、放射線科医による不必要なイメージングレビューを最小限に抑える際に、臨床医に大きな信頼を植え付けます。
さらに、CACスコアリングおよびセグメンテーションタスクは、CACのスコアリングおよびセグメンテーションタスクが実施され、CACTIMED領域を含むDino-LGモデルによって特定されたCTスライスに特異的に適用されます。
このターゲットを絞ったアプローチは、UNETモデルに関連するスライスを供給し、診断精度を大幅に改善し、偽陽性と偽陰性の両方を減らし、最終的に不必要なテストと治療を最小限に抑え、CADリスク評価における貴重な進歩を提示することにより、全体的な医療コストを削減することにより、CACスコアリングの精度を向上させます。

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, Google