論文の概要: Towards A Device-Independent Deep Learning Approach for the Automated
Segmentation of Sonographic Fetal Brain Structures: A Multi-Center and
Multi-Device Validation
- arxiv url: http://arxiv.org/abs/2202.13553v1
- Date: Mon, 28 Feb 2022 05:42:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-02 06:51:11.033910
- Title: Towards A Device-Independent Deep Learning Approach for the Automated
Segmentation of Sonographic Fetal Brain Structures: A Multi-Center and
Multi-Device Validation
- Title（参考訳）: 超音波胎児脳構造の自動分割のためのデバイス非依存型深層学習アプローチ:マルチセンター・マルチデバイス検証
- Authors: Abhi Lad, Adithya Narayan, Hari Shankar, Shefali Jain, Pooja Punjani
Vyas, Divya Singh, Nivedita Hegde, Jagruthi Atada, Jens Thang, Saw Shier Nee,
Arunkumar Govindarajan, Roopa PS, Muralidhar V Pai, Akhila Vasudeva, Prathima
Radhakrishnan and Sripad Krishna Devalla
- Abstract要約: 胎児脳USG画像(2D)から得られた2軸平面から10個の重要な胎児脳構造の自動分割のためのDLベースセグメンテーションフレームワークを提案する。
提案するDLシステムは,有望かつ汎用的な性能(マルチセンタ,マルチデバイス)を提供し,画像品質のデバイスによる変動を支持する証拠を提示する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quality assessment of prenatal ultrasonography is essential for the screening
of fetal central nervous system (CNS) anomalies. The interpretation of fetal
brain structures is highly subjective, expertise-driven, and requires years of
training experience, limiting quality prenatal care for all pregnant mothers.
With recent advancement in Artificial Intelligence (AI), specifically deep
learning (DL), assistance in precise anatomy identification through semantic
segmentation essential for the reliable assessment of growth and
neurodevelopment, and detection of structural abnormalities have been proposed.
However, existing works only identify certain structures (e.g., cavum septum
pellucidum, lateral ventricles, cerebellum) from either of the axial views
(transventricular, transcerebellar), limiting the scope for a thorough
anatomical assessment as per practice guidelines necessary for the screening of
CNS anomalies. Further, existing works do not analyze the generalizability of
these DL algorithms across images from multiple ultrasound devices and centers,
thus, limiting their real-world clinical impact. In this study, we propose a DL
based segmentation framework for the automated segmentation of 10 key fetal
brain structures from 2 axial planes from fetal brain USG images (2D). We
developed a custom U-Net variant that uses inceptionv4 block as a feature
extractor and leverages custom domain-specific data augmentation.
Quantitatively, the mean (10 structures; test sets 1/2/3/4) Dice-coefficients
were: 0.827, 0.802, 0.731, 0.783. Irrespective of the USG device/center, the DL
segmentations were qualitatively comparable to their manual segmentations. The
proposed DL system offered a promising and generalizable performance
(multi-centers, multi-device) and also presents evidence in support of
device-induced variation in image quality (a challenge to generalizibility) by
using UMAP analysis.
- Abstract（参考訳）: 胎児中枢神経系(CNS)異常のスクリーニングには出生前超音波検査の品質評価が不可欠である。
胎児の脳構造の解釈は非常に主観的で専門性が強く、妊娠中の母親の質の高い出生前ケアを制限し、長年の訓練経験を必要とする。
近年の人工知能(AI)の進歩、特に深層学習(DL)、成長・神経発達の信頼性評価に欠かせない意味的セグメンテーションによる精密解剖診断の支援、構造異常の検出などが提案されている。
しかし、既存の研究は、軸索(経心室、経小脳)から特定の構造(例えば、中隔膜、側室、小脳)を同定し、CNS異常のスクリーニングに必要なプラクティスガイドラインとして、完全な解剖学的評価の範囲を制限している。
さらに、既存の研究は、複数の超音波装置やセンターの画像間のDLアルゴリズムの一般化性を分析しておらず、実際の臨床効果を制限している。
本研究では,胎児脳usg画像 (2d) から2軸面から10個の主要な胎児脳構造の自動分割を行うためのdlベースセグメンテーションフレームワークを提案する。
我々は、inceptionv4ブロックを特徴抽出器として使用するカスタムu-net変種を開発し、カスタムドメイン固有のデータ拡張を利用する。
平均(10構造、テストセット1/2/3/4) ジス係数は0.827, 0.802, 0.731, 0.783である。
usgデバイス/センターに関係なく、dlセグメンテーションは手動セグメンテーションと質的に比較された。
提案するDLシステムは,有望かつ汎用的な性能(マルチセンタ,マルチデバイス)を提供し,UMAP解析による画像品質の変化(一般化性への挑戦)を支持する証拠を提供する。
関連論文リスト
- Efficient Feature Extraction Using Light-Weight CNN Attention-Based Deep Learning Architectures for Ultrasound Fetal Plane Classification [3.998431476275487]
本稿では,最大のベンチマークデータセットを分類するために,軽量な人工知能アーキテクチャを提案する。
アプローチは、ImageNet1kで事前トレーニングされた軽量のEfficientNet機能抽出バックボーンから微調整される。
本手法は,特徴を洗練するためのアテンション機構と3層パーセプトロンを組み込んだもので,トップ1の96.25%,トップ2の99.80%,F1スコアの0.9576で優れた性能を実現している。
論文 参考訳（メタデータ） (2024-10-22T20:02:38Z) - Measuring proximity to standard planes during fetal brain ultrasound scanning [8.328549443700858]
本稿では,超音波(US)平面を臨床利用に近づけるための新しいパイプラインを提案する。
ラベル付きSPとラベルなしUSボリュームスライスの両方を利用した半教師付きセグメンテーションモデルを提案する。
本モデルでは, 胎児の脳画像に対して, 信頼性の高いセグメンテーションを可能にする。
論文 参考訳（メタデータ） (2024-04-10T16:04:21Z) - ASC: Appearance and Structure Consistency for Unsupervised Domain
Adaptation in Fetal Brain MRI Segmentation [28.40275722324598]
高品質な胎児脳アトラスのセグメンテーションラベルを、未ラベルの胎児脳MRIデータに適応させる実用的非教師なし領域適応(UDA)セットを提案する。
周波数ベース画像変換の前後の一貫性を制約することにより、セグメント化モデルを異なる領域の外観に適応する。
FeTA 2021ベンチマークの実験は、登録ベース、半教師付き学習ベース、および既存のUDAベースの方法と比較して、ASCの有効性を実証している。
論文 参考訳（メタデータ） (2023-10-22T04:12:06Z) - Tissue Classification During Needle Insertion Using Self-Supervised
Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。
トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文 参考訳（メタデータ） (2023-04-26T14:11:04Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Leveraging Clinically Relevant Biometric Constraints To Supervise A Deep
Learning Model For The Accurate Caliper Placement To Obtain Sonographic
Measurements Of The Fetal Brain [0.0]
経小脳平面(TC)の2次元USG画像から3つの重要な胎児脳バイオメトリーを計算するための深層学習(DL)手法を提案する。
U-Net DLモデルの精度を向上させるために,臨床的に関連するバイオメトリック制約(校正点間の関連性)とドメイン関連データ拡張を利用した。
いずれの場合も、個々のカリパーポイントの配置における平均誤差と計算されたバイオメトリーは、臨床医の誤差率に匹敵するものであった。
論文 参考訳（メタデータ） (2022-03-28T04:00:22Z) - Factored Attention and Embedding for Unstructured-view Topic-related
Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。
提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文 参考訳（メタデータ） (2022-03-12T15:24:03Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - iPhantom: a framework for automated creation of individualized
computational phantoms and its application to CT organ dosimetry [58.943644554192936]
本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。
この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。
iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
論文 参考訳（メタデータ） (2020-08-20T01:50:49Z) - Hybrid Attention for Automatic Segmentation of Whole Fetal Head in
Prenatal Ultrasound Volumes [52.53375964591765]
胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。
セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。
次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
論文 参考訳（メタデータ） (2020-04-28T14:43:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。