3D Shape-Based Myocardial Infarction Prediction Using Point Cloud Classification Networks

要約

心筋梗塞（MI）は最も一般的な心血管疾患の 1 つであり、関連する臨床上の意思決定は通常、単一値の画像バイオマーカーに基づいて行われます。
しかし、そのような指標は心臓の複雑な 3D 構造と生理機能を近似するだけであり、したがって MI の結果のより良い理解と予測を妨げます。
この研究では、MI イベントの検出を改善するための点群の形での完全な 3D 心臓形状の有用性を調査します。
この目的を達成するために、3D 心臓表面再構成ステップとそれに続く点群分類ネットワークから構成される完全自動のマルチステップ パイプラインを提案します。
私たちの方法は、点群での幾何学的な深層学習の最近の進歩を利用して、心臓の解剖学的構造の高解像度表面モデルでの直接的かつ効率的なマルチスケール学習を可能にします。
我々は、英国バイオバンクの対象者1,068人を対象に、流行性心筋梗塞の検出と心筋梗塞の発生予測というタスクに対するアプローチを評価し、臨床ベンチマークと比較してそれぞれ最大13％と最大5％の改善を確認した。
さらに、3D 形状ベースの MI 検出のための各心室と心位相の役割を分析し、MI の結果に通常関連する形態学的および生理学的パターンの視覚的分析を実施します。

要約(オリジナル)

Myocardial infarction (MI) is one of the most prevalent cardiovascular diseases with associated clinical decision-making typically based on single-valued imaging biomarkers. However, such metrics only approximate the complex 3D structure and physiology of the heart and hence hinder a better understanding and prediction of MI outcomes. In this work, we investigate the utility of complete 3D cardiac shapes in the form of point clouds for an improved detection of MI events. To this end, we propose a fully automatic multi-step pipeline consisting of a 3D cardiac surface reconstruction step followed by a point cloud classification network. Our method utilizes recent advances in geometric deep learning on point clouds to enable direct and efficient multi-scale learning on high-resolution surface models of the cardiac anatomy. We evaluate our approach on 1068 UK Biobank subjects for the tasks of prevalent MI detection and incident MI prediction and find improvements of ~13% and ~5% respectively over clinical benchmarks. Furthermore, we analyze the role of each ventricle and cardiac phase for 3D shape-based MI detection and conduct a visual analysis of the morphological and physiological patterns typically associated with MI outcomes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google