Deep Learning-Based Prediction of Fractional Flow Reserve along the Coronary Artery

要約

機能的に重大な冠動脈疾患（CAD）は、冠動脈内のプラークの蓄積によって引き起こされ、心筋への血流を著しく妨げる動脈内腔の狭窄、つまり冠動脈狭窄を引き起こす可能性があります。
機能的に重要な狭窄の存在を確立するための現在の基準は、侵襲性血流予備量比 (FFR) 測定です。
侵襲的な測定を回避するために、冠動脈 CT 血管造影 (CCTA) からの FFR の非侵襲的予測が登場しました。
このため、高速推論を特徴とする機械学習アプローチがますます開発されています。
ただし、これらの方法は動脈ごとに単一の FFR 値を予測します。つまり、狭窄の位置や治療戦略に関する情報は提供されません。
CCTA スキャンから動脈に沿った FFR を予測する深層学習ベースの方法を提案します。
この研究には、112 の動脈で侵襲的 FFR プルバック測定を受けた 110 人の患者の CCTA 画像が含まれています。
まず、動脈の多平面再構成 (MPR) が変分オートエンコーダーに供給され、内腔領域と教師なし動脈エンコーディングを通じて動脈を特徴付けます。
その後、畳み込みニューラル ネットワーク (CNN) が動脈に沿った FFR を予測します。
CNN は複数の損失関数によって監視されます。特に、FFR 低下の正確な位置を予測するためのアース ムーバーズ ディスタンス (EMD) にヒントを得た損失関数と、FFR 曲線の傾きを明示的に監視するためのヒストグラム ベースの損失です。
モデルをトレーニングして評価するために、8 分割相互検証が実行されました。
結果として得られる FFR 曲線は、参照との良好な一致を示し、ほとんどの場合、拡散 CAD 分布と焦点 CAD 分布の区別が可能になります。
定量的評価により、FFR プルバック曲線下面積 (AUPC) の平均絶対差は 1.7 でした。
この方法は、CCTA からの動脈に沿った FFR の高速かつ正確な自動予測への道を開く可能性があります。

要約(オリジナル)

Functionally significant coronary artery disease (CAD) is caused by plaque buildup in the coronary arteries, potentially leading to narrowing of the arterial lumen, i.e. coronary stenosis, that significantly obstructs blood flow to the myocardium. The current reference for establishing the presence of a functionally significant stenosis is invasive fractional flow reserve (FFR) measurement. To avoid invasive measurements, non-invasive prediction of FFR from coronary CT angiography (CCTA) has emerged. For this, machine learning approaches, characterized by fast inference, are increasingly developed. However, these methods predict a single FFR value per artery i.e. they don’t provide information about the stenosis location or treatment strategy. We propose a deep learning-based method to predict the FFR along the artery from CCTA scans. This study includes CCTA images of 110 patients who underwent invasive FFR pullback measurement in 112 arteries. First, a multi planar reconstruction (MPR) of the artery is fed to a variational autoencoder to characterize the artery, i.e. through the lumen area and unsupervised artery encodings. Thereafter, a convolutional neural network (CNN) predicts the FFR along the artery. The CNN is supervised by multiple loss functions, notably a loss function inspired by the Earth Mover’s Distance (EMD) to predict the correct location of FFR drops and a histogram-based loss to explicitly supervise the slope of the FFR curve. To train and evaluate our model, eight-fold cross-validation was performed. The resulting FFR curves show good agreement with the reference allowing the distinction between diffuse and focal CAD distributions in most cases. Quantitative evaluation yielded a mean absolute difference in the area under the FFR pullback curve (AUPC) of 1.7. The method may pave the way towards fast, accurate, automatic prediction of FFR along the artery from CCTA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google