TMS-Net: A Segmentation Network Coupled With A Run-time Quality Control Method For Robust Cardiac Image Segmentation

要約

最近、ディープ ネットワークは、心臓の磁気共鳴画像 (MRI) 画像のセグメンテーションで印象的なパフォーマンスを示しました。
しかし、堅牢性の問題により、結果に対する臨床医の信頼が低くなるため、それらの成果は医療クリニックでの広範な使用への移行が遅れていることが証明されています。
セグメンテーション マスクの実行時の品質を予測することは、悪い結果に対して臨床医に警告するのに役立ちます。
その重要性にもかかわらず、この問題に関する研究はほとんどありません。
このギャップに対処するために、コサイン類似度によって測定されるマルチビュー ネットワーク、TMS-Net のデコーダ間の合意に基づく品質管理方法を提案します。
ネットワークは、異なる軸に沿って同じ 3D イメージから再スライスされた 3 つのビュー入力を受け取ります。
以前のマルチビュー ネットワークとは異なり、TMS-Net には 1 つのエンコーダーと 3 つのデコーダーがあり、STACOM 2013 および STACOM 2018 チャレンジでの左心房のセグメンテーションに関する実験で、より優れたノイズ ロバスト性、セグメンテーション パフォーマンス、およびランタイム品質推定につながります。
データセット。
また、設計されたノイズとライス ノイズで生成されたノイズの多い画像を使用して、不十分なトレーニング、高い異方性、不十分な画像設定の問題をシミュレートすることにより、不十分なセグメンテーション マスクを生成する方法も示します。
私たちの実行時品質推定方法は、STACOM 2018 で AUC が 0.97 に達し、低品質および高品質のセグメンテーション マスクの良好な分類を示しています。 TMS-Net と実行時品質推定方法は推力を高める可能性が高いと考えています。
臨床医から自動画像解析ツールへ。

要約(オリジナル)

Recently, deep networks have shown impressive performance for the segmentation of cardiac Magnetic Resonance Imaging (MRI) images. However, their achievement is proving slow to transition to widespread use in medical clinics because of robustness issues leading to low trust of clinicians to their results. Predicting run-time quality of segmentation masks can be useful to warn clinicians against poor results. Despite its importance, there are few studies on this problem. To address this gap, we propose a quality control method based on the agreement across decoders of a multi-view network, TMS-Net, measured by the cosine similarity. The network takes three view inputs resliced from the same 3D image along different axes. Different from previous multi-view networks, TMS-Net has a single encoder and three decoders, leading to better noise robustness, segmentation performance and run-time quality estimation in our experiments on the segmentation of the left atrium on STACOM 2013 and STACOM 2018 challenge datasets. We also present a way to generate poor segmentation masks by using noisy images generated with engineered noise and Rician noise to simulate undertraining, high anisotropy and poor imaging settings problems. Our run-time quality estimation method show a good classification of poor and good quality segmentation masks with an AUC reaching to 0.97 on STACOM 2018. We believe that TMS-Net and our run-time quality estimation method has a high potential to increase the thrust of clinicians to automatic image analysis tools.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google