Structurally Different Neural Network Blocks for the Segmentation of Atrial and Aortic Perivascular Adipose Tissue in Multi-centre CT Angiography Scans

要約

畳み込みニューラルネットワーク（CNNS）の出現以来、視覚変圧器（VITS）の出現以来、ディープラーニングアーキテクチャは、さまざまなハイパーパラメーターを持つ同一のブロックタイプに主に依存してきました。
さまざまな建築設計の補完的な強度を活用して、LEGOブロックと同様の構造的に異なるコンポーネントを組み立てる新しいブロック交互の戦略を提案します。
CNNベースのブロックとSwinvitベースのブロックを交互に行う深い学習フレームワークであるLegonetを紹介し、医療画像セグメンテーションの機能学習を強化します。
レゴネットの3つのバリエーションを調査し、この概念を以前に説明されていない臨床的問題に適用します。内部乳腺動脈（IMA）、大動脈、およびコンピューテ界断層撮影血管造影（CTA）スキャンからの血管周囲脂肪組織（PVAT）のセグメンテーションです。
これらのPVAT領域は、心血管リスクと一次臨床結果を評価する際に予後価値があることが示されています。
大規模なデータセットでレゴネットを評価し、他の主要なアーキテクチャよりも優れたパフォーマンスを達成します。
さらに、専門家の臨床医がモデルのセグメンテーションを修正し、さまざまな外部、国際、およびパブリックコホートでDSC> 0.90を達成する外部テストコホートでのモデルの一般化可能性を評価します。
モデルの臨床的信頼性をさらに検証するために、観察者内および観察者間の変動分析を実行し、人間の注釈との強力な一致を実証します。
提案された方法論は、診断心血管管理と早期予後に大きな意味を持ち、臨床診療における血管および血管周囲のセグメンテーションとリスク評価のための堅牢で自動化されたソリューションを提供し、個別化医療への道を開いています。

要約(オリジナル)

Since the emergence of convolutional neural networks (CNNs) and, later, vision transformers (ViTs), deep learning architectures have predominantly relied on identical block types with varying hyperparameters. We propose a novel block alternation strategy to leverage the complementary strengths of different architectural designs, assembling structurally distinct components similar to Lego blocks. We introduce LegoNet, a deep learning framework that alternates CNN-based and SwinViT-based blocks to enhance feature learning for medical image segmentation. We investigate three variations of LegoNet and apply this concept to a previously unexplored clinical problem: the segmentation of the internal mammary artery (IMA), aorta, and perivascular adipose tissue (PVAT) from computed tomography angiography (CTA) scans. These PVAT regions have been shown to possess prognostic value in assessing cardiovascular risk and primary clinical outcomes. We evaluate LegoNet on large datasets, achieving superior performance to other leading architectures. Furthermore, we assess the model’s generalizability on external testing cohorts, where an expert clinician corrects the model’s segmentations, achieving DSC > 0.90 across various external, international, and public cohorts. To further validate the model’s clinical reliability, we perform intra- and inter-observer variability analysis, demonstrating strong agreement with human annotations. The proposed methodology has significant implications for diagnostic cardiovascular management and early prognosis, offering a robust, automated solution for vascular and perivascular segmentation and risk assessment in clinical practice, paving the way for personalised medicine.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google