Uncertainty-based quality assurance of carotid artery wall segmentation in black-blood MRI

要約

深層学習モデルを大規模なデータセットに適用するには、自動品質保証の手段が必要です。
私たちは以前に、大規模なデータセットに適用することを目的とした、黒色血液 MRI における頸動脈壁セグメンテーションのための完全自動アルゴリズムを開発しました。
この方法では、頸動脈を中心とした 3D パッチ内の入れ子になった動脈壁を識別します。
この研究では、等高線位置のモデル予測の不確実性がどの程度エラー検出の代用として機能し、結果として自動品質保証が可能であるかを調査します。
自動セグメンテーションの品質は、Dice 類似係数を使用して表現します。
モデルの予測の不確実性は、モンテカルロ ドロップアウトまたはテスト時データ拡張のいずれかを使用して推定されます。
その結果、(1) 不確かさの測定値を含めてもセグメンテーションの品質は低下しなかった、(2) 最初のステップで見つかった中心が頸動脈の内腔に囲まれている場合、不確かさの測定値は輪郭の品質の良い代用となることがわかりました。
(3) 参加者レベルで低品質のセグメンテーションを検出するために使用できます。
この自動品質保証ツールにより、大規模なデータセットでのモデルの適用が可能になる可能性があります。

要約(オリジナル)

The application of deep learning models to large-scale data sets requires means for automatic quality assurance. We have previously developed a fully automatic algorithm for carotid artery wall segmentation in black-blood MRI that we aim to apply to large-scale data sets. This method identifies nested artery walls in 3D patches centered on the carotid artery. In this study, we investigate to what extent the uncertainty in the model predictions for the contour location can serve as a surrogate for error detection and, consequently, automatic quality assurance. We express the quality of automatic segmentations using the Dice similarity coefficient. The uncertainty in the model’s prediction is estimated using either Monte Carlo dropout or test-time data augmentation. We found that (1) including uncertainty measurements did not degrade the quality of the segmentations, (2) uncertainty metrics provide a good proxy of the quality of our contours if the center found during the first step is enclosed in the lumen of the carotid artery and (3) they could be used to detect low-quality segmentations at the participant level. This automatic quality assurance tool might enable the application of our model in large-scale data sets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google