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

技術要約：時空間トランスフォーマーを用いた、高精度かつECG不要な動的冠動脈ロードマッピングのための統一モデル

問題提起

経皮的冠動脈インターベンション（PCI）は、冠動脈を可視化し介入デバイスを誘導するために、ヨード造影剤の反復注入に依存している。この慣習は、放射線被曝および、特に腎機能障害を持つ患者における造影剤誘発性腎症のリスクを高める。動的冠動脈ロードマッピング（DRM）は、計算された血管マップをライブ透視画像上に重ね合わせることで、造影剤の反復注入を減らす解決策を提供する。

しかし、正確なDRMには、血管造影シーケンスとライブ透視画像間の精密な心周期マッチング（cardiac phase matching）、および動きの補償のための信頼できる**カテーテル先端追跡（cathetar tip tracking）**が必要である。既存の手法には以下の重大な限界がある：

• ECGへの依存性： 多くの手法は位相合わせのためにECG信号に依存しているが、これらは臨床現場で常に利用可能、あるいは信頼できるとは限らない。
• アノテーションの負担： 画像ベースのディープラーニング手法は、動きのキューを学習するために、広範かつ高密度な手動アノテーション（例：カテーテルマスク）を必要とすることが多く、多大な労力とコストを要する。
• モジュールの複雑性： 従来の研究は通常、位相マッチングとカテーテル追跡を別々のモデルで処理しており、計算の複雑さを増大させ、リアルタイム性能を阻害している。
• ドメインの不一致： 自然画像で事前学習されたモデルは、X線画像特有の心臓運動に特有の微細なフレーム間ダイナミクスを捉えられないことが多い。

手法

著者らは、推論時にECG信号を必要とせずに、心周期マッチングとカテーテル先端追跡を同時に実行する統一DRMフレームワークを提案している。このアプローチは、主に3つのステージで構成される：

1. 時空間事前学習（Spatio-Temporal Pretraining）：

   • 大規模な時空間トランスフォーマーエンコーダを、ラベルなしの血管造影および透視データセットから得られた1,600万フレームを用いて事前学習させる。
   • この事前学習により、モデルは医療ドメインに特有の微細な心臓運動ダイナミクスと堅牢な特徴表現を学習することができ、自然画像で学習されたモデルの限界を克服している。

2. 統一トレーニングパイプライン：

   • アーキテクチャ： モデルは、血管造影シーケンスと透視シーケンスの両方から特徴を抽出するために、共有の時空間エンコーダを利用する。これらの特徴は軽量なCNNによってフレームレベルの埋め込み（embeddings）へと処理され、その後、学習可能な位置エンコーディングと組み合わされてマルチヘッド自己注意（MHA）層へと渡される。
   • 補助タスク： 学習を安定させ、広範なカテーテルマスクのアノテーションを不要にするために、モデルは2つの補助タスクを採用している：
     • ECG R波検出： 心周期のための疎ではあるが強力な時間的キューを提供するために、R波を予測するバイナリ分類タスク。
     • カテーテル先端追跡： ヒートマップ回帰タスク。完全なアノテーションが不足しているため、著者らは事前学習済みのHiFT（Historical Feature Guided Tracker）モデルを使用して、未アノテーションのフレームに対して**疑似ラベル（pseudo-labels）**を生成している。
   • 損失関数： 全体の損失は、R波検出損失（適応型重み付きバイナリクロスエントロピー）、心周期マッチング損失（トリプレット損失）、およびカテーテル先端追跡損失（Dice損失）の加重和である。

3. 推論戦略：

   • オフラインフェーズ： 造影シーケンス内の心周期を特定するために、造影検出モデルが使用される。10フレームの時間窓が、血管造影の埋め込みと血管マップを事前計算・保存するために使用される。
     에는
   • オンラインフェーズ： 10フレームのスライディングウィンドウがリアルタイムで処理される。モデルは現在のライブフレームの埋め込みを計算し、保存されたすべての血管造影埋め込みに対してコサイン類似度を用いてマッチングを行う。
   • 多数決（Majority Voting）： 堅牢性を高めるため、多数決による後処理戦略が予測を集約する。これにより、投票頻度に基づく**信頼スコア（confidence score）**が生成され、これは位相マッチング誤差と相関する。

主な貢献

• DRMのための初の時空間事前学習： 本研究は、心臓運動補償のために1,600万の医療フレームで事前学習された時空間エンコーダを初めて導入し、既存の手法と比較して優れた位相マッチング性能を達成した。
• アノテーション効率の高い統一フレームワーク： ECG R波検出とカテーテル追跡（疑似ラベルを使用）を補助タスクとして統合することで、広範な手動カテーテルマスクのアノテーションを必要とせずに、安定した収束を実現した。
• リアルタイム統一アーキテクチャ： 単一のモデル内で位相マッチングとカテーテル追跡を共同で行う設計により、逐次的な2段階アプローチと比較して推論レイテンシを大幅に削減した。
• 信頼性を考慮した後処理： 多数決戦略は、堅牢性を向上させるだけでなく、位相マッチング誤差と逆相関する信頼スコアを提供し、臨床現場における不確実性推定のための実用的なメカニズムを提供する。

結果

臨床X線データセットを用いた包括的な評価により、以下が示された：

• 位相マッチング精度： 提案手法は、平均距離誤差 56.31 ms（心周期の4.38%）、標準偏差 0.66 フレームという最先端の性能を達成した。これは、ImageNetで事前学習されたCNN、DINOv2、および従来のトリプレット損失を用いた手法（AIT）を凌駕している。
• 堅牢性： 提案モデルは、テストケースの約**82%**において、距離誤差を1フレーム未満に維持している。信頼スコアは効果的に誤差の大きさを予測しており、高い信頼スコア（>0.8）を持つ予測は、中央値誤差がほぼゼロであった。
• カテーテル追跡： 自動初期化条件下において、統一モデルは平均追跡誤差 1.58 mm を達成した。これは、手動初期化を必要とするHiFTのベースライン（1.45 mm）と統計的に同等である（統一モデルは疑似ラベルに依存しているにもかかわらず）。
• 効率性： 統一されたシングルステージの定式化により、スループットが大幅に向上した。逐次的な2段階パイプラインの約20 fpsに対し、CNNベースのバックボーンでは最大 84 fps で動作する。

意義と主張

本論文は、本研究が実用的、リアルタイム、かつ完全自動化された動的冠動脈ロードマッピングに向けた重要なステップであることを主張している。大規模な時空間事前学習と慎重に設計された補助タスクを活用することで、本フレームワークは、広範なラベル付きデータおよび外部ECG信号への依存を成功裏に軽減している。

著者らは、自身のアプローチが以下の特性を持つことを強調している：

1. 自然画像で事前学習されたモデルと比較して、多様な撮像条件や心臓運動パターンに対してより良く汎化する。
2. 信頼スコアを提供することで、オペレーターがシステムの出力の信頼性を評価できるようにし、臨床展開を可能にする。
3. 精度と効率のバランスを取り、計算効率が高く非常に正確な統一ソリューションを提供し、ライブインターベンションのワークフローへの統合に適している。

論文は、平均誤差は低いものの、困難なケース（極端な視角や血管のクロッピングなど）では外れ値が存在することを認め、控えめに結論づけている。完全な臨床展開へのギャップを埋めるためには、さらなる補助タスク（例：ガイドワイヤー検出）や、より高度なマルチタスク最適化などの追加の堅牢化戦略が将来的な課題となる可能性がある。