MG-HGLNet：冠状動脈病変評価のための混合粒度階層幾何意味学習フレームワークと動的プロトタイプ

科学分野:

• 心血管イメージング
• 医療における人工知能
• 医用画像解析

背景:

• 冠状動脈造影（CCTA）を用いた冠状動脈病変の自動評価は、冠状動脈疾患（CAD）の診断に不可欠です。
• 既存のディープラーニング手法は、長距離依存関係、プラークテクスチャ対狭窄幾何分離、および混合粒度注釈の扱いに苦労しています。
• CAD診断の改善のために、これらの課題を効果的に処理できる高度なモデルが必要とされています。

研究 の 目的:

• 自動冠状動脈（CA）病変評価のための新しい混合粒度階層幾何意味学習ネットワーク（MG-HGLNet）を導入すること。
• 現在のディープラーニングアプローチにおける解剖学的依存関係、特徴分離、および混合粒度注釈の利用の限界に対処すること。
• CAD診断のための堅牢でラベル効率の良いフレームワークを開発すること。

主な方法:

• 大域的コンテキストと空間歪み補正のための双方向血管Mamba（BiV-Mamba）エンコーダを備えたトポロジー認識デュアルストリームエンコーディング（TDE）モジュールを提案しました。
• 周波数分析とテクスチャガイド付きアテンションを用いた相乗スペクトル形態分離（SSD）モジュールを導入し、プラークのスペクトル特徴と幾何学的特徴を分離しました。
• 解剖学認識プロトタイプと論理制約を活用した混合粒度教師あり最適化（MSO）戦略を、粗粒度ラベルのために実装しました。

主要な成果:

• MG-HGLNetは、社内データセットで92.4%の狭窄グレード精度と91.5%のプラーク分類精度を達成しました。
• 提案されたフレームワークは、最先端の方法と比較して優れたパフォーマンスを示しました。
• このモデルは、弱教師あり設定でも堅牢なパフォーマンスを維持し、限られた詳細なラベルでの有効性を示唆しています。

結論:

• MG-HGLNetは、自動CA病変評価における課題を効果的に対処することにより、ラベル効率の良いCAD診断のための有望なソリューションを提供します。
• 長距離依存関係をモデル化し、特徴を分離し、混合粒度注釈を利用するネットワークの能力は、大きな進歩を表しています。
• この調査結果は、高度なAI技術を通じたCAD診断における臨床ワークフローの改善の可能性を示唆しています。