MultiFlow: A unified deep learning framework for multi-vessel classification, segmentation and clustering of phase-contrast MRI validated on a multi-site single ventricle patient cohort

要約

単一室室患者のレジストリにおける自動セグメンテーションと大規模な流れの表現型の2つのモデルを備えた深い学習フレームワークを提示します。
MultiFlowsegは、5つの主要血管、左右の肺動脈、大動脈、上大静脈、および下Vena Cavaを同時に分類およびセグメント化し、速度エンコードされた位相コントラスト磁気共鳴（PCMR）データを分類します。
260 CMR試験（試験ごとに5 PCMRスキャン）でトレーニングされ、50の目に見えないテストケースで平均DICEスコアが0.91に達しました。
次に、この方法を自動化されたパイプラインに統合し、5,500を超えるレジストリ試験を人間の支援なしで処理しました。5隻すべての船舶を使用した試験では、98％の分類と90％のセグメンテーション精度を達成しました。
成功したセグメンテーションからのフロー曲線を使用して、MultiFlowDTCを訓練しました。これは、深い時間的クラスタリングを適用して、異なる流れの表現型を特定しました。
生存分析により、異なる表現型は、死/移植のリスクの増加と肝臓疾患の増加と有意に関連しており、フレームワークの可能性を示しています。

要約(オリジナル)

We present a deep learning framework with two models for automated segmentation and large-scale flow phenotyping in a registry of single-ventricle patients. MultiFlowSeg simultaneously classifies and segments five key vessels, left and right pulmonary arteries, aorta, superior vena cava, and inferior vena cava, from velocity encoded phase-contrast magnetic resonance (PCMR) data. Trained on 260 CMR exams (5 PCMR scans per exam), it achieved an average Dice score of 0.91 on 50 unseen test cases. The method was then integrated into an automated pipeline where it processed over 5,500 registry exams without human assistance, in exams with all 5 vessels it achieved 98% classification and 90% segmentation accuracy. Flow curves from successful segmentations were used to train MultiFlowDTC, which applied deep temporal clustering to identify distinct flow phenotypes. Survival analysis revealed distinct phenotypes were significantly associated with increased risk of death/transplantation and liver disease, demonstrating the potential of the framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google