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

तकनीकी सारांश: अत्यधिक सटीक ईसीजी-मुक्त डायनेमिक कोरोनरी रोडमैपिंग के लिए एक एकीकृत स्पैटियो-टेम्पोरल ट्रांसफॉर्मर मॉडल

समस्या विवरण

पर्क्युटेनियस कोरोनरी इंटरवेंशन (PCI) के लिए कोरोनरी धमनियों को देखने और इंटरवेंशनल उपकरणों को निर्देशित करने के लिए आयोडीन-आधारित कंट्रास्ट एजेंटों के बार-बार इंजेक्शन लगाने की आवश्यकता होती है। यह अभ्यास रेडिएशन एक्सपोजर और कंट्रास्ट-प्रेरित नेफ्रोपैथी (विशेष रूप से गुर्दे की खराबी वाले रोगियों में) के जोखिम को बढ़ाता है। डायनेमिक कोरोनरी रोडमैपिंग (DRM) एक समाधान प्रदान करता है, जो लाइव फ्लोरोस्कोपी पर पूर्व-कंप्यूटेड एंजियोग्राफिक वेसल मैप को ओवरले करता है, जिससे बार-बार कंट्रास्ट इंजेक्शन की आवश्यकता कम हो जाती है।

हालाँकि, सटीक DRM के लिए एंजियोग्राफी अनुक्रम और लाइव फ्लोरोस्कोपी के बीच सटीक कार्डिएक फेज मैचिंग (हृदय चरण मिलान), साथ ही मोशन कंपनसेशन (गति क्षतिपूर्ति) के लिए विश्वसनीय कैथेटर टिप ट्रैकिंग की आवश्यकता होती है। मौजूदा विधियाँ महत्वपूर्ण सीमाओं का सामना करती हैं:

• ECG पर निर्भरता: कई दृष्टिकोण चरण संरेखण (phase alignment) के लिए ECG संकेतों पर निर्भर करते हैं, जो क्लिनिकल सेटिंग्स में हमेशा उपलब्ध या विश्वसनीय नहीं होते हैं।
• एनोटेशन का बोझ: इमेज-आधारित डीप लर्निंग विधियों के लिए अक्सर मोशन संकेतों को सीखने के लिए व्यापक, सघन मैनुअल एनोटेशन (जैसे कैथेटर मास्क) की आवश्यकता होती है, जो श्रमसाध्य और महंगा है।
• मॉड्यूलर जटिलता: पूर्ववर्ती कार्य आमतौर पर फेज मैचिंग और कैथेटर ट्रैकिंग को अलग-अलग मॉडलों का उपयोग करके संबोधित करते हैं, जिससे कम्प्यूटेशनल जटिलता बढ़ जाती है और रियल-टाइम प्रदर्शन बाधित होता है।
• डोमेन मिसमैच: प्राकृतिक छवियों पर प्रीट्रेन किए गए मॉडल एक्स-रे इमेजिंग में कार्डिएक मोशन के सूक्ष्म अंतर-फ्रेम डायनेमिक्स को कैप्चर करने में विफल रहते हैं।

कार्यप्रणाली (Methodology)

लेखक एक एकीकृत DRM फ्रेमवर्क प्रस्तावित करते हैं जो बिना किसी ECG सिग्नल के अनुमान (inference) के दौरान, कार्डिएक फेज मैचिंग और कैथेटर टिप ट्रैकिंग को एक साथ करता है। यह दृष्टिकोण तीन मुख्य चरणों में संरचित है:

1. स्पैटियो-टेम्पोरल प्रीट्रेनिंग (Spatio-Temporal Pretraining):

   • एक बड़े पैमाने का स्पैटियो-टेम्पोरल ट्रांसफॉर्मर एनकोडर को अनलेबल एंजियोग्राफी और फ्लोरोस्कोपी डेटासेट से 16 मिलियन फ्रेम पर प्रीट्रेन किया गया है।
   • यह प्रीट्रेनिंग मॉडल को सूक्ष्म कार्डिएक मोशन डायनेमिक्स और मेडिकल डोमेन के लिए विशिष्ट मजबूत फीचर रिप्रजेंटेशन सीखने में सक्षम बनाती है, जो प्राकृतिक छवियों पर प्रशिक्षित मॉडलों की सीमाओं को दूर करती है।

2. एकीकृत प्रशिक्षण पाइपलाइन (Unified Training Pipeline):

   • आर्किटेक्चर: मॉडल एंजियोग्राफी और फ्लोरोस्कोपी अनुक्रमों से फीचर्स निकालने के लिए एक साझा स्पैटियो-टेम्पोरल एनकोडर का उपयोग करता है। इन फीचर्स को फ्रेम-लेवल एम्बेडिंग्स बनाने के लिए एक लाइटवेट CNN द्वारा प्रोसेस किया जाता है, जिन्हें फिर लर्नबल पोजीशनल एनकोडिंग के साथ जोड़ा जाता है और मल्टी-हेडेड सेल्फ-अटेंशन (MHA) लेयर्स के माध्यम से पास किया जाता है।
   • सहायक कार्य (Auxiliary Tasks): प्रशिक्षण को स्थिर करने और व्यापक कैथेटर मास्क एनोटेशन की आवश्यकता को समाप्त करने के लिए, मॉडल दो सहायक कार्यों का उपयोग करता है:
     • ECG R-Peak डिटेक्शन: कार्डिएक फेज के लिए एक स्पार्स लेकिन मजबूत टेम्पोरल क्यू प्रदान करने के लिए R-peaks की भविष्यवाणी करने वाला एक बाइनरी क्लासिफिकेशन टास्क।
     • कैथेटर टिप ट्रैकिंग: एक हीटमैप रिग्रेशन टास्क। चूंकि पूर्ण एनोटेशन दुर्लभ हैं, लेखक अनएनोटेटेड फ्रेम्स के लिए स्यूडो-लेबल्स (Pseudo-labels) उत्पन्न करने के लिए एक प्रीट्रेन किए गए HiFT (Historical Feature Guided Tracker) मॉडल का उपयोग करते हैं।
   • लॉस फंक्शन: कुल लॉस, R-पीक डिटेक्शन लॉस (एडाप्टिव वेटेड बाइनरी क्रॉस-एन्ट्रॉपी), कार्डिएक फेज मैचिंग लॉस (ट्रिपलेट लॉस), और कैथेटर टिप ट्रैकिंग लॉस (डाइस लॉस) का एक वेटेड सम (weighted sum) है।

3. अनुमान रणनीति (Inference Strategy):

   • ऑफलाइन चरण: एक कंट्रास्ट डिटेक्शन मॉडल एंजियोग्राफी अनुक्रम में एक कार्डिएक साइकिल की पहचान करता है। एंजियोग्राफी एम्बेडिंग्स और वेसल रोडमैप को प्रीकंप्यूट और स्टोर करने के लिए 10 फ्रेम का एक टेम्पोरल विंडो उपयोग किया जाता है।
   • ऑनलाइन चरण: 10 फ्लोरोस्कोपी फ्रेम के एक स्लाइडिंग विंडो को रियल-टाइम में प्रोसेस किया जाता है। मॉडल वर्तमान लाइव फ्रेम के लिए एम्बेडिंग्स कंप्यूट करता है और उन्हें सभी संग्रहीत एंजियोग्राफी एम्बेडिंग्स के साथ कोसाइन सिमिलरिटी का उपयोग करके मैच करता है।
   • मेजोरिटी वोटिंग (Majority Voting): मजबूती बढ़ाने के लिए, एक मेजोरिटी-वोटिंग पोस्ट-प्रोसेसिंग रणनीति टेम्पोरल विंडो से भविष्यवाणियों को एकत्रित करती है। यह वोटिंग फ्रीक्वेंसी के आधार पर एक कॉन्फिडेंस स्कोर उत्पन्न करता है, जो फेज-मैचिंग एरर के साथ सह-संबंधित (correlate) है।

प्रमुख योगदान (Key Contributions)

• DRM के लिए प्रथम स्पैटियो-टेम्पोरल प्रीट्रेनिंग: यह कार्य कार्डिएक मोशन कंपनसेशन के लिए 16 मिलियन मेडिकल फ्रेम्स पर प्रीट्रेन किए गए स्पैटियो-टेम्पोरल एनकोडर के पहले उपयोग को पेश करता है, जो मौजूदा तरीकों की तुलना में बेहतर फेज-मैचिंग प्रदर्शन प्राप्त करता है।
• एनोटेशन-कुशल एकीकृत फ्रेमवर्क: ECG R-पीक डिटेक्शन और कैथेटर टिप ट्रैकिंग (स्यूडो-लेबल्स का उपयोग करके) को सहायक कार्यों के रूप में एकीकृत करके, मॉडल व्यापक मैनुअल कैथेटर मास्क एनोटेशन की आवश्यकता के बिना स्थिर अभिसरण (convergence) प्राप्त करता है।
• रियल-टाइम एकीकृत आर्किटेक्चर: डिज़ाइन एक ही मॉडल में फेज मैचिंग और कैथेटर ट्रैकिंग को संयुक्त रूप से करता है, जो क्रमिक दो-चरणीय दृष्टिकोणों की तुलना में इन्फरेंस लेटेंसी को काफी कम कर देता है।
• कॉन्फिडेंस-अवेयर पोस्ट-प्रोसेसिंग: मेजोरिटी-वोटिंग रणनीति न केवल मजबूती बढ़ाती है, बल्कि एक कॉन्फिडेंस स्कोर भी प्रदान करती है जो फेज-मैचिंग एरर के व्युत्क्रमानुपाती (inversely correlated) है, जो क्लिनिकल सेटिंग्स में अनिश्चितता अनुमान (uncertainty estimation) के लिए एक व्यावहारिक तंत्र प्रदान करता है।

परिणाम (Results)

क्लिनिकल X-रे डेटासेट्स पर व्यापक मूल्यांकन निम्नलिखित प्रदर्शित करते हैं:

• फेज मैचिंग सटीकता: प्रस्तावित विधि 56.31 ms (कार्डिएक साइकिल का 4.38%) के औसत डिस्टेंस एरर और 0.66 फ्रेम के स्टैंडर्ड डेविएशन के साथ स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त करती है। यह ImageNet-प्रीट्रेनed CNNs, DINOv2 और पिछले ट्रिपलेट-लॉस (AIT) दृष्टिकोणों को पछाड़ देती है।
• मजबूती (Robustness): मॉडल लगभग 82% टेस्ट केस में एक फ्रेम से कम का डिस्टेंस एरर बनाए रखता है। कॉन्फिडेंस स्कोर प्रभावी रूप से एरर मैग्नीट्यूड की भविष्यवाणी करता है; उच्च कॉन्फिडेंस स्कोर (>0.8) वाली भविष्यवाणियों में नगण्य मीडियन एरर होता है।
• कैथेटर ट्रैकिंग: ऑटोमैटिक इनिशियलाइजेशन के तहत, यूनिफाइड मॉडल 1.58 mm का औसत ट्रैकिंग एरर प्राप्त करता है, जो सांख्यिकीय रूप से HiFT बेसलाइन (1.45 mm) के तुलनीय है, जिसे मैनुअल इनिशियलाइजेशन की आवश्यकता होती है, बावजूद इसके कि यूनिफाइड मॉडल स्यूडो-लेबल्स पर निर्भर है।
• दक्षता (Efficiency): यूनिफाइड सिंगल-स्टेज फॉर्मूलेशन थ्रूपुट में काफी सुधार करता है, जो CNN-आधारित बैकबोन के लिए 84 fps तक संचालित होता है, जबकि क्रमिक दो-चरणीय पाइपलाइनों में यह ~20 fps है।

महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि यह कार्य व्यावहारिक, रियल-टाइम और पूरी तरह से स्वचालित डायनेमिक कोरोनरी रोडमैपिंग की ओर एक महत्वपूर्ण कदम है। बड़े पैमाने पर स्पैटियो-टेम्पोरल प्रीट्रेनिंग और सावधानीपूर्वक डिज़ाइन किए गए सहायक कार्यों का लाभ उठाकर, फ्रेमवर्क व्यापक लेबल किए गए डेटा और बाहरी ECG संकेतों पर निर्भरता को सफलतापूर्वक कम करता है।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण:

1. प्राकृतिक छवियों पर प्रीट्रेन किए गए मॉडलों की तुलना में विविध इमेजिंग स्थितियों और कार्डिएक मोशन पैटर्न में बेहतर सामान्यीकरण (generalize) करता है।
2. एक कॉन्फिडेंस स्कोर प्रदान करके क्लिनिकल डिप्लॉयमेंट को सक्षम बनाता है जो ऑपरेटरों को सिस्टम के आउटपुट की विश्वसनीयता का आकलन करने की अनुमति देता है।
3. सटीकता और दक्षता को संतुलित करता है, जो एक एकीकृत समाधान प्रदान करता है जो कम्प्यूटेशनल रूप से कुशल और अत्यधिक सटीक दोनों है, जिससे यह लाइव इंटरवेंशनल वर्कफ़्लो में एकीकरण के लिए उपयुक्त बनता है।

पेपर विनम्रतापूर्वक निष्कर्ष निकालता है, यह स्वीकार करते हुए कि हालांकि औसत एरर कम है, चुनौतीपूर्ण मामलों (जैसे, अत्यधिक व्यू एंगल या आंशिक वेसल क्रॉपिंग) में आउटलेर्स बने रहते हैं। भविष्य के काम को पूरी तरह से विश्वसनीय क्लिनिकल डिप्लॉयमेंट तक पहुँचने के लिए अतिरिक्त सहायक कार्यों (जैसे, गाइडवायर डिटेक्शन) या अधिक उन्नत मल्टी-टास्क ऑप्टिमाइज़ेशन जैसी अतिरिक्त मजबूती रणनीतियों की आवश्यकता हो सकती है।