Ensemble uncertainty as a criterion for dataset expansion in distinct bone segmentation from upper-body CT images

要約

目的: 個々のボーンのローカリゼーションとセグメンテーションは、多くの計画およびナビゲーション アプリケーションにおける重要な前処理ステップです。
ただし、手動で行うと時間がかかり、反復作業になります。
これは臨床だけでなく、トレーニングデータの取得にも当てはまります。
したがって、上半身 CT で 125 個の異なる骨をセグメント化できるエンドツーエンドの学習アルゴリズムを提示するだけでなく、スキャンを選択してトレーニング データセットを拡大するのに役立つアンサンブル ベースの不確実性測定も提供します。
方法 3D-Unet にインスパイアされたニューラル ネットワーク アーキテクチャと完全に監視されたトレーニングを使用して、完全に自動化されたエンドツーエンドの学習セグメンテーションを作成します。
結果は、アンサンブルと推論時間拡張を使用して改善されます。
トレーニング データセットの一部として、アンサンブルの不確実性と、ラベル付けされていないスキャンの将来の有用性との関係を調べます。
結果: 私たちの方法は、次元ごとに \SI{2}{\milli\meter} の解像度を持つ 16 の上半身 CT スキャンの社内データセットで評価されます。
ラベル セットの 125 個のボーンすべてを考慮に入れると、最も成功したアンサンブルは、サイコロ スコア係数の中央値 0.83 を達成します。
スキャンのアンサンブルの不確実性と、拡大されたトレーニング セット内で達成される精度に対する予測される影響との間に相関関係がないことがわかりました。
同時に、アンサンブルの不確実性は、最初の自動セグメンテーション後に手動補正が必要なボクセルの数と相関するため、新しいグラウンド トゥルース セグメンテーションを完了するのに必要な時間が最小限に抑えられることを示しています。
結論: 組み合わせて、アンサンブルの不確実性が低いスキャンは、同様の将来の DSC の改善をもたらしながら、アノテーターの時間を短縮する必要があります。
したがって、これらは、CT スキャンからの上半身の別個の骨セグメンテーションのトレーニング セットを拡大するための理想的な候補です。
}

要約(オリジナル)

Purpose: The localisation and segmentation of individual bones is an important preprocessing step in many planning and navigation applications. It is, however, a time-consuming and repetitive task if done manually. This is true not only for clinical practice but also for the acquisition of training data. We therefore not only present an end-to-end learnt algorithm that is capable of segmenting 125 distinct bones in an upper-body CT, but also provide an ensemble-based uncertainty measure that helps to single out scans to enlarge the training dataset with. Methods We create fully automated end-to-end learnt segmentations using a neural network architecture inspired by the 3D-Unet and fully supervised training. The results are improved using ensembles and inference-time augmentation. We examine the relationship of ensemble-uncertainty to an unlabelled scan’s prospective usefulness as part of the training dataset. Results: Our methods are evaluated on an in-house dataset of 16 upper-body CT scans with a resolution of \SI{2}{\milli\meter} per dimension. Taking into account all 125 bones in our label set, our most successful ensemble achieves a median dice score coefficient of 0.83. We find a lack of correlation between a scan’s ensemble uncertainty and its prospective influence on the accuracies achieved within an enlarged training set. At the same time, we show that the ensemble uncertainty correlates to the number of voxels that need manual correction after an initial automated segmentation, thus minimising the time required to finalise a new ground truth segmentation. Conclusion: In combination, scans with low ensemble uncertainty need less annotator time while yielding similar future DSC improvements. They are thus ideal candidates to enlarge a training set for upper-body distinct bone segmentation from CT scans. }

arxiv情報

提供元, 利用サービス

arxiv.jp, Google