要約
冠動脈疾患 (CAD) は世界中の主な死亡原因の 1 つであり、効果的なリスク評価戦略が必要であり、コンピューター断層撮影 (CT) による冠動脈カルシウム (CAC) スコアリングが予防の重要な方法となっています。
従来の方法は、主に事前構築されたモデルに実装された UNET アーキテクチャに基づいており、CAC を含む注釈付き CT スキャンの不足や不均衡なデータセットなどの課題に直面しており、セグメンテーションおよびスコアリング タスクのパフォーマンスの低下につながります。
この研究では、DINO (ラベルなしの自己蒸留) の自己教師あり学習 (SSL) 技術を組み込むことでこれらの制限に対処します。この技術は、CAC 固有のアノテーションを必要とせずにトレーニングし、個別の特徴を生成する際の堅牢性を高めます。
DINO-LG モデルはラベルガイダンスを利用して石灰化領域に焦点を当てており、CAC を含む CT スライスの検出に関して感度 89%、特異度 90% と、標準 DINO モデルの感度 79%、特異度 90% と大幅な改善を達成しています。
特異度は77%。
さらに、偽陰性率と偽陽性率がそれぞれ 49% と 59% 減少するため、低リスク患者の石灰化を除外する際に臨床医に大きな自信を与え、放射線科医による不必要な画像検査を最小限に抑えることができます。
さらに、CAC スコアリングおよびセグメンテーション タスクは、基本的な UNET アーキテクチャを使用して実行され、石灰化領域を含むとして DINO-LG モデルによって特定された CT スライスに特に適用されます。
この的を絞ったアプローチは、関連するスライスを UNET モデルに供給することで CAC スコアリングの精度を向上させ、診断精度を大幅に向上させ、偽陽性と偽陰性の両方を削減し、不必要な検査と治療を最小限に抑えることで最終的に医療費全体を削減し、CAD リスク評価における貴重な進歩をもたらします。
。
要約(オリジナル)
Coronary artery disease (CAD), one of the leading causes of mortality worldwide, necessitates effective risk assessment strategies, with coronary artery calcium (CAC) scoring via computed tomography (CT) being a key method for prevention. Traditional methods, primarily based on UNET architectures implemented on pre-built models, face challenges like the scarcity of annotated CT scans containing CAC and imbalanced datasets, leading to reduced performance in segmentation and scoring tasks. In this study, we address these limitations by incorporating the self-supervised learning (SSL) technique of DINO (self-distillation with no labels), which trains without requiring CAC-specific annotations, enhancing its robustness in generating distinct features. The DINO-LG model, which leverages label guidance to focus on calcified areas, achieves significant improvements, with a sensitivity of 89% and specificity of 90% for detecting CAC-containing CT slices, compared to the standard DINO model’s sensitivity of 79% and specificity of 77%. Additionally, false-negative and false-positive rates are reduced by 49% and 59%, respectively, instilling greater confidence in clinicians when ruling out calcification in low-risk patients and minimizing unnecessary imaging reviews by radiologists. Further, CAC scoring and segmentation tasks are conducted using a basic UNET architecture, applied specifically to CT slices identified by the DINO-LG model as containing calcified areas. This targeted approach enhances CAC scoring accuracy by feeding the UNET model with relevant slices, significantly improving diagnostic precision, reducing both false positives and false negatives, and ultimately lowering overall healthcare costs by minimizing unnecessary tests and treatments, presenting a valuable advancement in CAD risk assessment.
arxiv情報
| 著者 | Mahmut S. Gokmen,Caner Ozcan,Moneera N. Haque,Cody Bumgardner |
| 発行日 | 2024-11-27 18:58:41+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google