Expert-Agnostic Ultrasound Image Quality Assessment using Deep Variational Clustering

要約

超音波画像処理は、いくつかの診断および治療手順で一般的に使用されるモダリティです。
しかし、超音波による診断は、超音波検査技師が手動で評価する画像の品質に大きく依存するため、診断の客観性が低下し、診断がオペレーターに依存することになります。
自動品質評価のための教師あり学習ベースの方法では、手動で注釈を付けたデータセットが必要であり、その取得には非常に労力がかかります。
これらの超音波画像は品質が低く、観察者間の知覚の違いによって生じるノイズの多い注釈が問題となっており、学習効率を妨げています。
私たちは、手動による注釈の負担と不確実性を排除する、教師なし UltraSound 画像品質評価ネットワーク US2QNet を提案します。
US2QNet は、前処理、クラスタリング、後処理の 3 つのモジュールが組み込まれた変分オートエンコーダを使用して、超音波画像の品質特徴表現を共同で強化、抽出、クラスタリングし、視覚化します。
前処理モジュールは、画像のフィルタリングを使用して、ノイズに気を取られるのではなく、顕著な品質の特徴にネットワークの注意を向けます。
2D 空間で特徴表現のクラスターを視覚化するための後処理が提案されています。
我々は、膀胱超音波画像の品質評価のために提案されたフレームワークを検証しました。
提案されたフレームワークは、最先端のクラスタリング手法よりも 78% の精度と優れたパフォーマンスを達成しました。

要約(オリジナル)

Ultrasound imaging is a commonly used modality for several diagnostic and therapeutic procedures. However, the diagnosis by ultrasound relies heavily on the quality of images assessed manually by sonographers, which diminishes the objectivity of the diagnosis and makes it operator-dependent. The supervised learning-based methods for automated quality assessment require manually annotated datasets, which are highly labour-intensive to acquire. These ultrasound images are low in quality and suffer from noisy annotations caused by inter-observer perceptual variations, which hampers learning efficiency. We propose an UnSupervised UltraSound image Quality assessment Network, US2QNet, that eliminates the burden and uncertainty of manual annotations. US2QNet uses the variational autoencoder embedded with the three modules, pre-processing, clustering and post-processing, to jointly enhance, extract, cluster and visualize the quality feature representation of ultrasound images. The pre-processing module uses filtering of images to point the network’s attention towards salient quality features, rather than getting distracted by noise. Post-processing is proposed for visualizing the clusters of feature representations in 2D space. We validated the proposed framework for quality assessment of the urinary bladder ultrasound images. The proposed framework achieved 78% accuracy and superior performance to state-of-the-art clustering methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google