Learning ultrasound plane pose regression: assessing generalized pose coordinates in the fetal brain

要約

産科超音波 (US) スキャンでは、2 次元 (2D) の US 画像から胎児の 3 次元 (3D) マップを精神的に構築する学習者の能力は、スキル習得における重要な課題です。
追加のセンサーを統合することなく、3D 視覚化、トレーニング、およびガイダンスのための米国の飛行機の位置特定システムを構築することを目指しています。
この作業は、畳み込みニューラル ネットワーク (CNN) 回帰ネットワークを使用して、正規化された参照フレームに関して胎児の脳をスライスする任意の向きの米国平面の 6 次元 (6D) ポーズを予測する以前の作業の上に構築されています。
ここでは、正規化された胎児脳参照フレームの仮定を詳細に分析し、胎児バイオメトリの経心室 (TV) 標準面 (SP) の取得に関してその精度を定量化します。
トレーニング データとテスト データにおける登録品質の影響と、その後のトレーニング済みモデルへの影響を調査します。
最後に、以前の作業の結果を改善するデータ拡張とより大きなトレーニング セットを導入し、並進と回転でそれぞれ 3.53 mm と 6.42 度の中央値エラーを達成しました。

要約(オリジナル)

In obstetric ultrasound (US) scanning, the learner’s ability to mentally build a three-dimensional (3D) map of the fetus from a two-dimensional (2D) US image represents a significant challenge in skill acquisition. We aim to build a US plane localization system for 3D visualization, training, and guidance without integrating additional sensors. This work builds on top of our previous work, which predicts the six-dimensional (6D) pose of arbitrarily-oriented US planes slicing the fetal brain with respect to a normalized reference frame using a convolutional neural network (CNN) regression network. Here, we analyze in detail the assumptions of the normalized fetal brain reference frame and quantify its accuracy with respect to the acquisition of transventricular (TV) standard plane (SP) for fetal biometry. We investigate the impact of registration quality in the training and testing data and its subsequent effect on trained models. Finally, we introduce data augmentations and larger training sets that improve the results of our previous work, achieving median errors of 3.53 mm and 6.42 degrees for translation and rotation, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google