Model độc lập

VC Heart — model tách tim riêng, thay thế TotalSegmentator

Mục tiêu không phải tăng độ chính xác EAT (nút thắt là màng ngoài tim, không phải tim), mà là tự chủ: bỏ phụ thuộc TotalSegmentator lúc chạy, license sạch cho cả thương mại, và nhanh hơn ở bước chậm nhất của quy trình.

Dữ liệu TotalSegmentator dataset (CC BY 4.0) Kiến trúc nnU-Net v2 · 3d_fullres Nhãn heart (1 lớp)

Nội dung

Vì sao tự train — và vì sao KHÔNG phải để tăng EAT
License: chỗ nào sạch, chỗ nào vướng
Dữ liệu & cách dựng nhãn
Trạng thái huấn luyện
Đánh giá đối chiếu với TotalSegmentator

AVì sao tự train

ĐƯỢC

Tự chủ + tốc độ

Không phụ thuộc TotalSegmentator lúc chạy.
License sạch (CC BY 4.0, chỉ cần ghi nguồn).
Nhanh hơn: TS chạy model 117 cấu trúc rồi mới lấy tim; model này chỉ học 1 nhãn.

KHÔNG ĐƯỢC

Không tăng độ chính xác EAT

Đo thực tế: clip theo tim chỉ đổi EAT ~5%.
Nút thắt vẫn là ranh giới màng ngoài tim → cần nhãn gold.
Không tách được từng buồng tim (bộ này chỉ có 1 nhãn "heart").

BLicense — chỗ nào sạch, chỗ nào vướng

Thành phần	License	Thương mại
Code TotalSegmentator	Apache-2.0	✅ Được
Weights task `total` (cái ta dùng để tách tim)	Apache-2.0	✅ Được
`heartchambers_highres`, `tissue_types`…	Free non-commercial	⚠️ Phải mua
Dataset 1228 CT (Zenodo)	CC BY 4.0	✅ Được (ghi nguồn)

Cách dùng hiện tại (task="total") vốn đã sạch license. Việc tự train là để bỏ phụ thuộc runtime và tăng tốc, không phải để gỡ rối pháp lý.

CDữ liệu & cách dựng nhãn

Nguồn: TotalSegmentator dataset v2.0.1 — 1228 CT thường quy toàn thân, 117 cấu trúc, CC BY 4.0.

Sàng lọc	Số ca	Ghi chú
Tổng subject	1228	CT toàn thân, nhiều ca không chụp tới tim
Nhãn tim rỗng / quá nhỏ	329	loại
Có tim thật (>2000 voxel)	899	trung vị 533 mL — khớp phép đo của ta (541 mL)
CT lỗi direction cosines (ITK từ chối)	72	loại (nnU-Net đọc bằng SimpleITK)
Dùng để train	827	Dataset501_Heart

Hai trục trặc kỹ thuật đã xử lý: (1) một số file NIfTI có direction cosines không trực chuẩn khiến ITK báo lỗi — đọc nhãn bằng nibabel rồi gắn geometry từ chính file CT; (2) trục mảng khác nhau (nibabel x,y,z vs SimpleITK z,y,x) — đã chuyển trục. Kiểm chứng: mean HU trong vùng nhãn = 66–123 HU (máu/cơ tim) → nhãn khớp CT, không lệch.

DTrạng thái huấn luyện

Tải dataset
23.6 GB

→

Dựng Dataset501
827 ca

→

Preprocess
nnU-Net

→

Train
3d_fullres · 250 ep

→

Đánh giá
vs TotalSeg

Trạng thái: HOÀN TẤT

Hạng mục	Kết quả
Epoch	250 / 250 · 89 s/epoch · ~6 h 15 m
Pseudo dice (epoch cuối)	0.9665
EMA best	0.9641
Validation 166 ca hold-out	Dice 0.9484 · IoU 0.9139

Diễn biến: 0.858 (ep12) → 0.938 (ep55) → 0.956 (ep130) → 0.9665 (ep250). Val bám sát train suốt quá trình — không overfit.

EĐánh giá đối chiếu với TotalSegmentator

Phép so đầu-đối-đầu: cùng ca, cùng máy, cùng GPU, chạy trên hai bộ dữ liệu độc lập — và cả hai đều KHÔNG nằm trong tập train.

Chỉ số	ImageCAS 15 ca · CT tim gated	CCTA nội bộ 44 ca · lát mỏng
Dice vs TotalSegmentator	0.9697	0.9707 ± 0.0033
Dice thấp nhất	0.9656	0.9624
Chênh thể tích	−0.7%	+0.3%
Thời gian / ca — VC model	6.8 s	9.3 s
Thời gian / ca — TotalSegmentator	26.2 s	25.3 s
Tăng tốc	3.9×	2.7×
Ca chạy được	15/15	44/44 · 0 lỗi

✅ Kết luận: model tái lập TotalSegmentator ở mức Dice ~0.97 trên cả hai bộ, chênh thể tích dưới 1%, và nhanh hơn 2.7–3.9×. Độ lệch chuẩn 0.0033 → ổn định trên mọi ca, không ca nào hỏng. Đủ điều kiện thay TotalSegmentator ở Bước 3.

Hình 3D so sánh

🖱 Xem 3D tương tác toàn bộ 44 ca (xoay/zoom, bật-tắt từng model): mở trình xem 3D →

Chọn hiển thị các ca Dice THẤP NHẤT (không chọn ca đẹp) để thấy đúng điểm yếu.

Lưới 3D 8 ca: bề mặt tim VC model chồng lên TotalSegmentator — **Tổng quan 8 ca.** Xanh = VC model chồng lên cam = TotalSegmentator. Hai bề mặt gần như trùng khít ở mọi ca.

So sánh chi tiết ca CCTA-11, Dice 0.9624 — **CCTA-11 — ca Dice thấp nhất (0.9624).** A lát axial: viền liền = VC model, nét đứt = TotalSegmentator — gần như trùng. **B/C** bề mặt 3D từng model (362 vs 366 mL). D chồng hai bề mặt. Ngay ca tệ nhất, khác biệt cũng chỉ là lớp vỏ mỏng ở rìa.

So sánh chi tiết ca CCTA-14 — **CCTA-14 — ca Dice thấp thứ hai (0.9640).**

🔒 Quyền riêng tư: dữ liệu CCTA là bệnh nhân thật. Toàn bộ chỉ dùng mã CCTA-01…CCTA-44; bảng ánh xạ tên lưu ngoài repo, không commit và không đưa lên web. Hình chỉ hiện bề mặt tim, không có thông tin định danh.

⚠️ Cách đọc Dice ở đây: TotalSegmentator là mốc tham chiếu (thứ ta đang thay thế), không phải chân lý giải phẫu. Dice cao nghĩa là model tái lập được TS — chứ không có nghĩa cả hai đều đúng tuyệt đối.

Giới hạn đã biết: dữ liệu train là CT thường quy toàn thân, không phải CT tim gated. Model sẽ tổng quát tốt nhưng có thể chưa sắc bằng trên CT tim chuyên dụng → bước nâng cấp tự nhiên tiếp theo là fine-tune trên chính ImageCAS. Đây không phải thiết bị y tế.