Detecting respiratory motion artefacts for cardiovascular MRIs to ensure high-quality segmentation

要約

機械学習のアプローチはトレーニング ドメインではうまく機能しますが、実際のアプリケーションでは一般的に失敗する傾向があります。
心血管磁気共鳴画像法 (CMR) では、呼吸運動は、取得品質、したがってその後の分析と最終診断の点で大きな課題を表しています。
CMRxMotion チャレンジ 2022 の CMR における呼吸運動の重大度スコアを予測するワークフローを提示します。これは、技術者が取得中に CMR 品質に関するフィードバックをすぐに提供するための重要なツールです。
患者はまだ近くにいます。
したがって、我々の方法は、取得したCMRがさらなる診断に使用される前に、特定の品質基準に耐えられることを保証します。
したがって、重度のモーションアーチファクトの場合に時間とコストのかかる再取得を行うことなく、適切な診断のための効率的なベースを有効にします。
当社のセグメンテーション モデルと組み合わせることで、心臓血管スキャンの適切な品質評価と真のセグメンテーションを保証する完全なパイプラインを提供することで、心臓専門医や技術者の日常業務を支援できます。
コード ベースは、https://github.com/MECLabTUDA/QA_med_data/tree/dev_QA_CMRxMotion で入手できます。

要約(オリジナル)

While machine learning approaches perform well on their training domain, they generally tend to fail in a real-world application. In cardiovascular magnetic resonance imaging (CMR), respiratory motion represents a major challenge in terms of acquisition quality and therefore subsequent analysis and final diagnosis. We present a workflow which predicts a severity score for respiratory motion in CMR for the CMRxMotion challenge 2022. This is an important tool for technicians to immediately provide feedback on the CMR quality during acquisition, as poor-quality images can directly be re-acquired while the patient is still available in the vicinity. Thus, our method ensures that the acquired CMR holds up to a specific quality standard before it is used for further diagnosis. Therefore, it enables an efficient base for proper diagnosis without having time and cost-intensive re-acquisitions in cases of severe motion artefacts. Combined with our segmentation model, this can help cardiologists and technicians in their daily routine by providing a complete pipeline to guarantee proper quality assessment and genuine segmentations for cardiovascular scans. The code base is available at https://github.com/MECLabTUDA/QA_med_data/tree/dev_QA_CMRxMotion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google