Temporal Uncertainty Localization to Enable Human-in-the-loop Analysis of Dynamic Contrast-enhanced Cardiac MRI Datasets

要約

動的造影 (DCE) 心臓磁気共鳴画像法 (CMRI) は、心筋血流 (灌流) 異常を診断するために広く使用されている手段です。
一般的な自由呼吸 DCE-CMRI スキャンでは、さまざまな造影剤の「ウォッシュイン/ウォッシュアウト」段階で 300 枚近くの心筋灌流の時間分解画像が取得されます。
DCE 画像シリーズの各時間フレームにおける心筋輪郭の手動セグメンテーションは、特に非剛体運動補正が失敗したり利用できない場合には、退屈で時間がかかる可能性があります。
ディープ ニューラル ネットワーク (DNN) は DCE-CMRI データセットの分析に有望であることが示されていますが、失敗したセグメンテーションを確実に検出するための「動的品質管理」(dQC) 技術が不足しています。
ここでは、提案されたメトリクスを外部データセットで検証し、人間参加型フレームワークを確立して、自由呼吸 DCE-CMRI データセットを DNN ベースでセグメンテーションするための dQC ツールとして、新しい時空不確実性メトリクスを提案します。
セグメンテーションの結果。
提案されたアプローチでは、dQC ツールによって検出された上位 10% の最も不確実なセグメンテーションを人間の専門家に依頼して改良を依頼しました。
このアプローチは、Dice スコアの大幅な増加 (p<0.001) と、セグメンテーションに失敗した画像の数の顕著な減少 (16.2% から 11.3%) をもたらしましたが、人間の紹介に対して同じ数のセグメンテーションをランダムに選択する代替アプローチでは、 大幅な改善は達成されませんでした。 我々の結果は、提案された dQC フレームワークが低品質のセグメンテーションを正確に特定する可能性があり、動的な CMRI データセットの臨床解釈とレポート作成のためのヒューマンインザループ パイプラインにおける DCE-CMRI の効率的な DNN ベースの分析を可能にする可能性があることを示唆しています。

要約(オリジナル)

Dynamic contrast-enhanced (DCE) cardiac magnetic resonance imaging (CMRI) is a widely used modality for diagnosing myocardial blood flow (perfusion) abnormalities. During a typical free-breathing DCE-CMRI scan, close to 300 time-resolved images of myocardial perfusion are acquired at various contrast ‘wash in/out’ phases. Manual segmentation of myocardial contours in each time-frame of a DCE image series can be tedious and time-consuming, particularly when non-rigid motion correction has failed or is unavailable. While deep neural networks (DNNs) have shown promise for analyzing DCE-CMRI datasets, a ‘dynamic quality control’ (dQC) technique for reliably detecting failed segmentations is lacking. Here we propose a new space-time uncertainty metric as a dQC tool for DNN-based segmentation of free-breathing DCE-CMRI datasets by validating the proposed metric on an external dataset and establishing a human-in-the-loop framework to improve the segmentation results. In the proposed approach, we referred the top 10% most uncertain segmentations as detected by our dQC tool to the human expert for refinement. This approach resulted in a significant increase in the Dice score (p<0.001) and a notable decrease in the number of images with failed segmentation (16.2% to 11.3%) whereas the alternative approach of randomly selecting the same number of segmentations for human referral did not achieve any significant improvement. Our results suggest that the proposed dQC framework has the potential to accurately identify poor-quality segmentations and may enable efficient DNN-based analysis of DCE-CMRI in a human-in-the-loop pipeline for clinical interpretation and reporting of dynamic CMRI datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google