A Unified Model for Highly Accurate ECG-Free Dynamic Coronary Roadmapping Using Spatio-Temporal Transformers

Technisches Resümee: Ein vereinheitlichtes Modell für hochpräzises, ECG-freies dynamisches koronares Roadmapping mittels räumlich-zeitlicher Transformer

Problemstellung

Die perkutane koronare Intervention (PCI) beruht auf wiederholten Injektionen von jodhaltigen Kontrastmitteln, um die Koronararterien zu visualisieren und interventionelle Geräte zu führen. Diese Praxis erhöht die Strahlenexposition und das Risiko einer kontrastmittelinduzierten Nephropathie, insbesondere bei Patienten mit eingeschränkter Nierenfunktion. Dynamisches koronares Roadmapping (DRM) bietet eine Lösung, indem es eine vorab berechnete angiographische Gefäßkarte über die Live-Fluoroskopie legt, wodurch die Notwendigkeit wiederholter Kontrastmittelinjektionen reduziert wird.

Ein präzises DRM erfordert jedoch ein exaktes Herzphasen-Matching zwischen der Angiographie-Sequenz und der Live-Fluoroskopie sowie ein zuverlässiges Katheterspitzen-Tracking zur Bewegungskompensation. Bestehende Methoden stehen vor erheblichen Einschränkungen:

• ECG-Abhängigkeit: Viele Ansätze verlassen sich auf ECG-Signale zur Phasenabstimmung, die in klinischen Umgebungen nicht immer verfügbar oder zuverlässig sind.
• Annotationsaufwand: Bildbasierte Deep-Learning-Methoden erfordern oft umfangreiche, dichte manuelle Annotationen (z. B. Kathetermasken), um Bewegungshinweise zu erlernen, was arbeitsintensiv und kostspielig ist.
• Modulare Komplexität: Vorangegangene Arbeiten behandeln Phasenabgleich und Katheter-Tracking typischerweise mit separaten Modellen, was die Rechenkomplexität erhöht und die Echtzeitleistung behindert.
• Domänen-Mismatch: Auf natürlichen Bildern vortrainierte Modelle scheitern oft daran, die subtilen Inter-Frame-Dynamiken zu erfassen, die spezifisch für die kardiale Bewegung in der Röntgenbildgebung sind.

Methodik

Die Autoren schlagen ein vereinheitlichtes DRM-Framework vor, das gleichzeitig das Herzphasen-Matching und das Katheterspitzen-Tracking durchführt, ohne während der Inferenz auf ECG-Signale angewiesen zu sein. Der Ansatz gliedert sich in drei Hauptphasen:

1. Räumlich-zeitliches Pretraining:

   • Ein groß angelegter räumlich-zeitlicher Transformer-Encoder wird auf 16 Millionen Frames aus unbeschrifteten Angiographie- und Fluoroskopie-Datensätzen vortrainiert.
   • Dieses Pretraining ermöglicht es dem Modell, feingliedrige kardiale Bewegungsdynamiken und robuste Merkmalsreprsentationen zu erlernen, die spezifisch für den medizinischen Bereich sind, wodurch die Einschränkungen von auf natürlichen Bildern trainierten Modellen adressiert werden.

2. Vereinheitlichte Trainingspipeline:

   • Architektur: Das Modell nutzt einen gemeinsamen räumlich-zeitlichen Encoder, um Merkmale aus sowohl Angiographie- als auch Fluoroskopie-Sequenzen zu extrahieren. Diese Merkmale werden durch ein leichtgewichtiges CNN verarbeitet, um Frame-Level-Embeddings zu erzeugen, welche dann mit lernbaren Positionskodierungen kombiniert und durch Multi-Head Self-Attention (MHA) Schichten geleitet werden.
   • Hilfsaufgaben (Auxiliary Tasks): Um das Training zu stabilisieren und den Bedarf an umfangreichen manuellen Kathetermasken-Annotationen zu eliminieren, setzt das Modell zwei Hilfsaufgaben ein:
     • ECG-R-Peak-Detektion: Eine binäre Klassifikationsaufgabe zur Vorhersage von R-Peaks, um einen spärlichen, aber starken zeitlichen Hinweis für die Herzphase zu liefern.
     • Katheterspitzen-Tracking: Eine Heatmap-Regressionsaufgabe. Da vollständige Annotationen knapp sind, verwenden die Autoren ein vortrainiertes HiFT (Historical Feature Guided Tracker) Modell, um Pseudo-Labels für unannotierte Frames zu generieren.
   • Verlustfunktion (Loss Function): Der Gesamtverlust ist eine gewichtete Summe aus dem R-Peak-Detektionsverlust (adaptiver gewichteter binärer Cross-Entropy), dem Herzphasen-Matching-Verlust (Triplet Loss) und dem Katheterspitzen-Tracking-Verlust (Dice Loss).

3. Inferenzstrategie:

   • Offline-Phase: Ein Kontrastdetektionsmodell identifiziert einen Herzzyklus in der Angiographie-Sequenz. Ein zeitliches Fenster von 10 Frames wird verwendet, um Angiographie-Embeddings und Gefäß-Roadmaps vorab zu berechnen und zu speichern.
   • Online-Phase: Ein gleitendes Fenster von 10 Fluoroskopie-Frames wird in Echtzeit verarbeitet. Das Modell berechnet Embeddings für den aktuellen Live-Frame und gleicht diese mittels Cosinus-Ähnlichkeit mit allen gespeicherten Angiographie-Embeddings ab.
   • Mehrheitsentscheidung (Majority Voting): Um die Robustheit zu erhöhen, aggregiert eine Mehrheitsentscheidungs-Postprocessing-Strategie die Vorhersagen aus dem zeitlichen Fenster. Dies generiert einen Konfidenzwert, der auf der Häufigkeit der Abstimmung basiert und mit dem Phasen-Matching-Fehler korreliert.

Wichtige Beiträge

• Erstes räumlich-zeitliches Pretraining für DRM: Die Arbeit führt den ersten Einsatz eines räumlich-zeitlichen Encoders ein, der auf 16 Millionen medizinischen Frames für den kardialen Bewegungsausgleich in DRM vortrainiert wurde, und erreicht eine überlegene Phasenabgleichsleistung im Vergleich zu bestehenden Methoden.
• Annotations-effizientes vereinheitlichtes Framework: Durch die Integration der ECG-R-Peak-Detektion und des Katheterspitzen-Trackings (unter Verwendung von Pseudo-Labels) als Hilfsaufgaben erreicht das Modell eine stabile Konvergenz, ohne dass umfangreiche manuelle Kathetermasken-Annotationen erforderlich sind.
• Echtzeitfähige vereinheitlichte Architektur: Das Design führt Phasenabgleich und Katheter-Tracking gemeinsam in einem einzigen Modell durch, was die Latenz bei der Inferenz im Vergleich zu sequenziellen Zwei-Stufen-Ansätzen signifikant reduziert.
• Konfidenz-bewusste Postprocessing-Strategie: Die Mehrheitsentscheidungs-Strategie verbessert nicht nur die Robustheit, sondern liefert auch einen Konfidenzwert, der invers mit dem Phasenabgleich-Fehler korreliert, was einen praktischen Mechanismus zur Unsicherheitsschätzung in klinischen Settings bietet.

Ergebnisse

Umfassende Evaluierungen auf klinischen Röntgen-Datensätzen zeigen Folgendes:

• Phasenabgleich-Genauigkeit: Die vorgeschlagene Methode erreicht eine State-of-the-Art-Leistung mit einem mittleren Distanzfehler von 56,31 ms (4,38 % des Herzzyklus) und einer Standardabweichung von 0,66 Frames. Dies übertrifft Baselines, die auf ImageNet vortrainierte CNNs, DINOv2 und bisherige Triplet-Loss-Ansätze (AIT) nutzen.
• Robustheit: Das Modell hält einen Distanzfehler von unter einem Frame in etwa 82 % der Testfälle ein. Der Konfidenzwert sagt die Fehlermagnitüde effektiv voraus; Vorhersagen mit hohen Konfidenzwerten (>0,8) weisen nahezu Null-Median-Fehler auf.
• Katheter-Tracking: Unter automatischer Initialisierung erreicht das vereinheitlichte Modell einen mittleren Tracking-Fehler von 1,58 mm, was statistisch vergleichbar mit der HiFT-Baseline (1,45 mm) ist, die eine manuelle Initialisierung erfordert, obwohl das vereinheitlichte Modell auf Pseudo-Labels zurückgreift.
• Effizienz: Die vereinheitlichte Single-Stage-Formulierung verbessert den Durchsatz signifikant und arbeitet mit bis zu 84 fps für CNN-basierte Backbones, verglichen mit ca. 20 fps in sequenziellen Zwei-Stufen-Pipelines.

Bedeutung und Ansprüche

Das Paper behauptet, dass diese Arbeit einen bedeutenden Schritt in Richtung eines praktischen, echtzeitfähigen und vollautomatisierten dynamischen koronaren Roadmappings darstellt. Durch die Nutzung von groß angelegtem räumlich-zeitlichem Pretraining und sorgfältig gestalteten Hilfsaufgaben reduziert das Framework erfolgreich die Abhängigkeit von umfangreichen gelabelten Daten und externen ECG-Signalen.

Die Autoren betonen, dass ihr Ansatz:

1. Besser generalisiert über diverse Bildgebungsbedingungen und kardiale Bewegungsmuster im Vergleich zu Modellen, die auf natürlichen Bildern vortrainiert wurden.
2. Den klinischen Einsatz ermöglicht, indem er einen Konfidenzwert bereitstellt, der es dem Anwender erlaubt, die Zuverlässigkeit der Systemausgabe zu beurteilen.
3. Ein Gleichgewicht zwischen Genauigkeit und Effizienz hält, indem er eine vereinheitlichte Lösung bietet, die sowohl recheneffizient als auch hochpräzise ist, was sie für die Integration in Live-Interventions-Workflows geeignet macht.

Das Paper schließt bescheiden und räumt ein, dass trotz des niedrigen Durchschnittsfehlers in anspruchsvollen Fällen (z. B. extreme Blickwinkel oder teilweises Abschneiden der Gefäße) weiterhin Ausreißer bestehen. Zukünftige Arbeiten könnten weitere Robustheitsstrategien erfordern, wie etwa zusätzliche Hilfsaufgaben (z. B. Guidewire-Detektion) oder fortgeschrittenere Multi-Task-Optimierungen, um die verbleibende Lücke zu einem voll zuverlässigen klinischen Einsatz zu schließen.