Modality-AGnostic Image Cascade (MAGIC) for Multi-Modality Cardiac Substructure Segmentation

要約

心臓の下部構造は、放射線誘発性心疾患のリスクを最小限に抑えるために胸部放射線療法計画に不可欠です。
Deep Learning（DL）は、輪郭の負担を軽減する効率的な方法を提供しますが、さまざまなモダリティと重複構造にわたる一般化可能性がありません。
この作品は、包括的およびマルチモーダル心臓の下部構造セグメンテーションのために、モダリティに依存しない画像カスケード（MAGIC）を導入および検証します。
魔法は、単一のモデルの機能を保存するNNU-NETベースのU字型バックボーンの分岐を複製およびデコードすることにより実装されます。
シミュレーションCT（SIM-CT）、低フィールドMR-LINAC、および心臓CT血管造影（CCTA）モダリティからの20の心臓の下部構造（心臓、チャンバー、偉大な血管（GV）、バルブ、冠動脈（CAS）、および伝導ノード）は、手動で溶解していました（n = 76）、検証（n = 76）、検証（n = 76）、
12の比較モデル（3つのモダリティにわたる4つのセグメンテーションサブグループ）が同等に訓練されました。
すべての方法は、トレーニング効率と、サイコロの類似性係数（DSC）と両側ウィルコクソン署名ランクテスト（しきい値、p <0.05）を使用して、参照輪郭に対して比較されました。 平均DSCスコアは、SIM-CTで0.75（0.16）、MR-LINACで0.68（0.21）、CCTAで0.80（0.16）でした。 魔法は、統計的な違いが限られている場合、症例の57％で比較を上回っています。 Magicは、単一のモデルで複数のモダリティと重複構造をセグメント化できる効果的で正確なセグメンテーションソリューションを提供します。 MAGICは、計算要件を簡素化し、臨床環境に比類のない柔軟性を提供することにより、さらに臨床的実装を可能にします。

要約(オリジナル)

Cardiac substructures are essential in thoracic radiation therapy planning to minimize risk of radiation-induced heart disease. Deep learning (DL) offers efficient methods to reduce contouring burden but lacks generalizability across different modalities and overlapping structures. This work introduces and validates a Modality-AGnostic Image Cascade (MAGIC) for comprehensive and multi-modal cardiac substructure segmentation. MAGIC is implemented through replicated encoding and decoding branches of an nnU-Net-based, U-shaped backbone conserving the function of a single model. Twenty cardiac substructures (heart, chambers, great vessels (GVs), valves, coronary arteries (CAs), and conduction nodes) from simulation CT (Sim-CT), low-field MR-Linac, and cardiac CT angiography (CCTA) modalities were manually delineated and used to train (n=76), validate (n=15), and test (n=30) MAGIC. Twelve comparison models (four segmentation subgroups across three modalities) were equivalently trained. All methods were compared for training efficiency and against reference contours using the Dice Similarity Coefficient (DSC) and two-tailed Wilcoxon Signed-Rank test (threshold, p<0.05). Average DSC scores were 0.75(0.16) for Sim-CT, 0.68(0.21) for MR-Linac, and 0.80(0.16) for CCTA. MAGIC outperforms the comparison in 57% of cases, with limited statistical differences. MAGIC offers an effective and accurate segmentation solution that is lightweight and capable of segmenting multiple modalities and overlapping structures in a single model. MAGIC further enables clinical implementation by simplifying the computational requirements and offering unparalleled flexibility for clinical settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google