Motion-related Artefact Classification Using Patch-based Ensemble and Transfer Learning in Cardiac MRI

要約

心臓磁気共鳴画像法 (MRI) は、心機能の分析において重要な役割を果たします。
ただし、特に急性症状の患者の場合、息を止めるのが難しいため、取得にはモーションアーティファクトが伴うことがよくあります。
したがって、さらなる分析のために心臓 MRI の品質を評価することが不可欠です。
時間のかかる手作業による分類は、エンド ツー エンドのコンピューター支援診断システムの構築には役立たない。
この問題を克服するために、アンサンブルと転移学習を使用した自動心臓 MRI 品質推定フレームワークがこの作業で提案されています。
複数の事前トレーニング済みモデルが初期化され、トレーニング データからサンプリングされた 2 次元画像パッチで微調整されました。
モデル推論プロセスでは、これらのモデルからの決定が集約され、最終的な予測が行われます。
フレームワークは、CMRxMotion グランド チャレンジ (MICCAI 2022) データセットで評価されています。
トレーニング セット (5 分割交差検証) と検証セットで、それぞれ 78.8% と 70.0% の分類精度を達成しました。
最終的なトレーニング済みモデルは、CMRxMotion 主催者による独立したテスト セットでも評価され、72.5% の分類精度と 0.6309 の Cohen のカッパ (このグランド チャレンジでトップ 1 にランクされました) を達成しました。
コードは Github (https://github.com/ruizhe-l/CMRxMotion) で入手できます。

要約(オリジナル)

Cardiac Magnetic Resonance Imaging (MRI) plays an important role in the analysis of cardiac function. However, the acquisition is often accompanied by motion artefacts because of the difficulty of breath-hold, especially for acute symptoms patients. Therefore, it is essential to assess the quality of cardiac MRI for further analysis. Time-consuming manual-based classification is not conducive to the construction of an end-to-end computer aided diagnostic system. To overcome this problem, an automatic cardiac MRI quality estimation framework using ensemble and transfer learning is proposed in this work. Multiple pre-trained models were initialised and fine-tuned on 2-dimensional image patches sampled from the training data. In the model inference process, decisions from these models are aggregated to make a final prediction. The framework has been evaluated on CMRxMotion grand challenge (MICCAI 2022) dataset which is small, multi-class, and imbalanced. It achieved a classification accuracy of 78.8% and 70.0% on the training set (5-fold cross-validation) and a validation set, respectively. The final trained model was also evaluated on an independent test set by the CMRxMotion organisers, which achieved the classification accuracy of 72.5% and Cohen’s Kappa of 0.6309 (ranked top 1 in this grand challenge). Our code is available on Github: https://github.com/ruizhe-l/CMRxMotion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google