Interpretable Anomaly Detection in Echocardiograms with Dynamic Variational Trajectory Models

要約

心エコー検査ビデオの新しい異常検出方法を提案します。
導入された方法は、心臓サイクルの周期的な性質を利用して、変分潜在軌道モデル（TVAE）のさまざまな変形を学習します。
モデルは、健康な母集団の規範的な事前学習を行うために、複数のチャンバービューで構成される乳児心エコー検査ビデオの社内データセットの健康なサンプルでトレーニングされます。
推論中に、最大事後（MAP）ベースの異常検出が実行され、データセット内の分布外のサンプルが検出されます。
提案された方法は、エプスタイン奇形やShonecomplexなどの重度の先天性心疾患を確実に特定します。
さらに、肺高血圧症と右心室拡張を検出するタスクで、標準の変分オートエンコーダーを使用したMAPベースの異常検出よりも優れたパフォーマンスを実現します。
最後に、提案された方法が、異常な心臓構造に対応する領域を強調するヒートマップを通じて、その出力の解釈可能な説明を提供することを示します。

要約(オリジナル)

We propose a novel anomaly detection method for echocardiogram videos. The introduced method takes advantage of the periodic nature of the heart cycle to learn different variants of a variational latent trajectory model (TVAE). The models are trained on the healthy samples of an in-house dataset of infant echocardiogram videos consisting of multiple chamber views to learn a normative prior of the healthy population. During inference, maximum a posteriori (MAP) based anomaly detection is performed to detect out-of-distribution samples in our dataset. The proposed method reliably identifies severe congenital heart defects, such as Ebstein’s Anomaly or Shonecomplex. Moreover, it achieves superior performance over MAP-based anomaly detection with standard variational autoencoders on the task of detecting pulmonary hypertension and right ventricular dilation. Finally, we demonstrate that the proposed method provides interpretable explanations of its output through heatmaps which highlight the regions corresponding to anomalous heart structures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google