論文の概要: Temporal Uncertainty Localization to Enable Human-in-the-loop Analysis
of Dynamic Contrast-enhanced Cardiac MRI Datasets
- arxiv url: http://arxiv.org/abs/2308.13488v1
- Date: Fri, 25 Aug 2023 16:55:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-28 13:10:49.630351
- Title: Temporal Uncertainty Localization to Enable Human-in-the-loop Analysis
of Dynamic Contrast-enhanced Cardiac MRI Datasets
- Title（参考訳）: ダイナミックコントラスト強調心臓MRIデータセットのループ解析を可能にするための時間的不確かさの同定
- Authors: Dilek M. Yalcinkaya, Khalid Youssef, Bobak Heydari, Orlando Simonetti,
Rohan Dharmakumar, Subha Raman, Behzad Sharif
- Abstract要約: ディープニューラルネットワーク(DNN)は、DCE-CMRIデータセットを分析することを約束している。
本稿では,DNNに基づくDCE-CMRIデータセットの分割のためのDQCツールとして,新しい時空間不確実性尺度を提案する。
その結果,提案するdQCフレームワークは,品質の悪いセグメンテーションを正確に識別できる可能性が示唆された。
- 参考スコア（独自算出の注目度）: 0.2871849986181679
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic contrast-enhanced (DCE) cardiac magnetic resonance imaging (CMRI) is
a widely used modality for diagnosing myocardial blood flow (perfusion)
abnormalities. During a typical free-breathing DCE-CMRI scan, close to 300
time-resolved images of myocardial perfusion are acquired at various contrast
"wash in/out" phases. Manual segmentation of myocardial contours in each
time-frame of a DCE image series can be tedious and time-consuming,
particularly when non-rigid motion correction has failed or is unavailable.
While deep neural networks (DNNs) have shown promise for analyzing DCE-CMRI
datasets, a "dynamic quality control" (dQC) technique for reliably detecting
failed segmentations is lacking. Here we propose a new space-time uncertainty
metric as a dQC tool for DNN-based segmentation of free-breathing DCE-CMRI
datasets by validating the proposed metric on an external dataset and
establishing a human-in-the-loop framework to improve the segmentation results.
In the proposed approach, we referred the top 10% most uncertain segmentations
as detected by our dQC tool to the human expert for refinement. This approach
resulted in a significant increase in the Dice score (p<0.001) and a notable
decrease in the number of images with failed segmentation (16.2% to 11.3%)
whereas the alternative approach of randomly selecting the same number of
segmentations for human referral did not achieve any significant improvement.
Our results suggest that the proposed dQC framework has the potential to
accurately identify poor-quality segmentations and may enable efficient
DNN-based analysis of DCE-CMRI in a human-in-the-loop pipeline for clinical
interpretation and reporting of dynamic CMRI datasets.
- Abstract（参考訳）: Dynamic contrast-enhanced (DCE) heart magnetic resonance imaging (CMRI) は、心筋血流(灌流)異常の診断に広く用いられているモダリティである。
典型的なDCE-CMRIスキャンでは、心筋灌流の時間分解画像が様々なコントラストの "wash in/out" フェーズで取得される。
DCE画像シリーズの各タイムフレームにおける心筋輪郭のマニュアルセグメンテーションは、特に非剛性運動補正が失敗したり、利用できない場合、面倒で時間を要する。
ディープニューラルネットワーク(DNN)は、DCE-CMRIデータセットを分析することを約束している一方で、失敗したセグメンテーションを確実に検出する"動的品質制御"(dQC)技術は欠如している。
本稿では,DNNをベースとしたDCE-CMRIデータセットのセグメント化のためのDQCツールとして,提案手法を外部データセット上で検証し,セグメンテーション結果を改善するためのヒューマン・イン・ザ・ループ・フレームワークを確立することにより,新しい時空不確実性指標を提案する。
提案手法では,dQCツールが検出した最も不確実なセグメンテーションの上位10%を,ヒトの専門家に紹介した。
このアプローチにより、Diceスコア(p<0.001)が大幅に増加し、セグメンテーションが失敗した画像数(16.2%から11.3%)が顕著に減少する一方、人間の参照に対して同じセグメンテーションをランダムに選択するというアプローチは大きな改善は得られなかった。
提案したdQCフレームワークは,低品質なセグメンテーションを正確に識別する可能性があり,動的CMRIデータセットの臨床的解釈と報告のために,DCE-CMRIの効率的なDNN解析を可能にする可能性が示唆された。
関連論文リスト
- Improved Robustness for Deep Learning-based Segmentation of Multi-Center Myocardial Perfusion MRI Datasets Using Data Adaptive Uncertainty-guided Space-time Analysis [0.24285581051793656]
灌流データセットの完全な自動解析により、患者のストレス/レスト研究の迅速かつ客観的な報告が可能になる。
トレーニングデータやソフトウェアやハードウェアのバリエーションが限られているにもかかわらず、マルチセンタデータセットを分析できるディープラーニング技術は、現在進行中の課題である。
提案したDAUGS分析手法は,多心応力灌流データセットのセグメンテーションのためのディープラーニング手法の堅牢性を向上させる可能性を秘めている。
論文 参考訳（メタデータ） (2024-08-09T01:21:41Z) - Bayesian Uncertainty Estimation by Hamiltonian Monte Carlo: Applications to Cardiac MRI Segmentation [3.0665936758208447]
深層学習法は多くの医用画像セグメンテーションタスクにおいて最先端の性能を達成した。
最近の研究では、ディープニューラルネットワーク(DNN)が誤解され、過信され、"サイレント障害"につながることが示されている。
医療データ増大に対応するため,Hachian Monte Carlo (HMC) を用いたベイズ学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-04T18:47:56Z) - Uncertainty Quantification in Machine Learning Based Segmentation: A
Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
左室容積推定は各種心血管疾患の診断・管理に重要である。
近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。
本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
論文 参考訳（メタデータ） (2023-10-30T13:44:55Z) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳（メタデータ） (2023-01-01T05:02:46Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical
Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。
現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文 参考訳（メタデータ） (2021-10-17T08:49:33Z) - Segmentation with Multiple Acceptable Annotations: A Case Study of
Myocardial Segmentation in Contrast Echocardiography [12.594060034146125]
我々は,複数の受理基底真理が利用できる場合にセグメント化性能を評価するために,新たな拡張Diceを提案する。
次に、ニューラルネットが心筋の一般的な特徴を学習できるように、新たな指標を損失関数にさらに組み込むことで、第2の問題を解決する。
臨床MCEデータセットの実験結果から,提案した損失関数を用いてトレーニングしたニューラルネットワークは,既存のニューラルネットワークよりも優れていることが示された。
論文 参考訳（メタデータ） (2021-06-29T17:32:24Z) - Deep Generative Model-based Quality Control for Cardiac MRI Segmentation [30.09405692032434]
本稿では, 心臓MRI領域の品質管理のための, 深部生成モデルに基づく新しいフレームワークを提案する。
提案手法は,2つの公用心MRIデータセットに対して高い予測精度を実現する。
論文 参考訳（メタデータ） (2020-06-23T23:15:54Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z)
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。