3段階の階層的なフレームワークを提案。1. U-netによるバルーンマーカー検出 2. ResNetによるステントの検出＆特徴抽出 (= 局所ランドマーク検出とステントの特徴の検出の両方を利用) 3. Graph CNNによる複数フレーム間のマーカー対応付け (= 時空間的な関連付け)。特に偽陽性を抑制するように学習させることで、限られたデータセットでの学習でも高い検出力を得ることに成功した。

提案モデルを座標回帰モデル (ResNet V2, MobileNet V2) やマルチオブジェクトトラッキングモデル ( MobileNet V2, DLA34) と比較。ステント検出のPrecision, F1, Accuracyは圧倒的で、RecallもSOTAに匹敵。ピクセルレベルでの位置追跡もSOTAレベルの性能 (Table 1)。U-netの改良でさらに精度を上げられると主張。

医用画像に対する取り組み共通の課題として「データセットの少なさ」「臨床で求められる精度の高さ」「（手術で使う場合は）推論速度」があり、この全てを解決しうる手法を示している点でインパクトが大きい。特に今回対象となっている手術はこれまで深層学習がほとんど（現実的な精度で）適用されてこなかった領域の模様。