冠状動脈造影のための事前学習された引き算とセグメンテーションモデル

本研究は、冠状動脈造影における単フレーム引き算と血管セグメンテーションのための新しい自己監視学習法を紹介します。この方法は、AIアプリケーションにおける注釈付き医療サンプルの不足に対処します。私たちは、注釈のない冠状動脈造影画像の大規模データセットでU-Netモデルを事前学習し、次に限られた手動注釈サンプルセットでファインチューニングします。事前学習されたモデルは、包括的な単フレーム引き算で優れており、既存のDSA方法を上回ります。わずか40サンプルでのファインチューニングにより、血管セグメンテーションのためのDice係数は0.828を達成します。公開XCADデータセットでは、私たちのモデルはDice係数0.755で新しい最先端のベンチマークを設定し、教師なしおよび教師あり学習アプローチの両方を上回ります。この方法は堅牢な単フレーム引き算を実現し、事前学習と最小限のファインチューニングの組み合わせが限られた手動注釈で正確な冠状動脈血管セグメンテーションを可能にすることを示しています。私たちは、このアプローチを使用して、冠状動脈造影中の潜在的な血管狭窄部位を視覚化するために医師を支援します。コード、データセット、ライブデモは次のリンクで利用可能です: https://github.com/newfyu/DeepSA 。