Automatic quality control framework for more reliable integration of machine learning-based image segmentation into medical workflows

要約

機械学習アルゴリズムは、最新の診断支援ソフトウェアを支えており、臨床診療、特に放射線医学で価値があることが証明されています。
ただし、主にこれらのアルゴリズムをトレーニングするための臨床サンプルの利用可能性が限られているため、不正確さは、臨床医の間での幅広い適用性、受け入れ、および認識を妨げています。
出力の確実性を推定するために、これらのアルゴリズム内で実装できる最先端の自動品質管理 (QC) アプローチの分析を提示します。
磁気共鳴画像データの白質高信号 (WMH) を識別する脳画像セグメンテーション タスクで最も有望なアプローチを検証しました。
WMH は、中後期の成人期に一般的な小血管疾患の相関関係にあり、さまざまなサイズと分布パターンのためにセグメント化が特に困難です。
私たちの結果は、不確実性の集約とダイス予測が、このタスクの障害検出に最も効果的であることを示しています。
どちらの方法も独立して平均ダイスを 0.82 から 0.84 に改善しました。
私たちの仕事は、QC メソッドが失敗したセグメンテーションのケースを検出するのにどのように役立つかを明らかにし、したがって自動セグメンテーションをより信頼性が高く、臨床診療に適したものにします。

要約(オリジナル)

Machine learning algorithms underpin modern diagnostic-aiding software, which has proved valuable in clinical practice, particularly in radiology. However, inaccuracies, mainly due to the limited availability of clinical samples for training these algorithms, hamper their wider applicability, acceptance, and recognition amongst clinicians. We present an analysis of state-of-the-art automatic quality control (QC) approaches that can be implemented within these algorithms to estimate the certainty of their outputs. We validated the most promising approaches on a brain image segmentation task identifying white matter hyperintensities (WMH) in magnetic resonance imaging data. WMH are a correlate of small vessel disease common in mid-to-late adulthood and are particularly challenging to segment due to their varied size, and distributional patterns. Our results show that the aggregation of uncertainty and Dice prediction were most effective in failure detection for this task. Both methods independently improved mean Dice from 0.82 to 0.84. Our work reveals how QC methods can help to detect failed segmentation cases and therefore make automatic segmentation more reliable and suitable for clinical practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google