Cardiac ultrasound simulation for autonomous ultrasound navigation

要約

超音波は、診断および介入目的の画像診断法として十分に確立されています。
ただし、超音波画像の取得と解釈には、画像アーチファクト、取得パラメータの範囲、患者の解剖学的構造のばらつきのため、広範なトレーニングが必要であるため、画質はオペレータのスキルによって異なります。
画像取得タスクを自動化すると、取得の再現性と品質が向上する可能性がありますが、そのようなアルゴリズムをトレーニングするには、日常的な検査では保存されない大量のナビゲーション データが必要になります。
したがって、他のモダリティや任意の位置から大量の超音波画像を生成し、このパイプラインを後でナビゲーション用の学習アルゴリズムで使用できるようにする方法を提案します。
他のモダリティからのセグメンテーション、最適化された体積データ表現、および GPU で高速化されたモンテカルロ パス トレーシングを使用して、ビュー依存および患者固有の超音波画像を生成する新しいシミュレーション パイプラインを紹介します。
私たちは、構造のサイズ、コントラスト、スペックル ノイズの特性を評価するファントム実験を使用して、パイプラインの正確性を広範囲に検証します。
さらに、1,000 人を超える患者から合成画像を生成することで、心エコー検査ビュー分類実験におけるナビゲーション用のニューラル ネットワークをトレーニングするための有用性を実証します。
弊社のシミュレーションで事前トレーニングされたネットワークは、大規模な実際のデータセットが利用できない設定、特に過小評価されたクラスにおいて、大幅に優れたパフォーマンスを実現します。
提案されたアプローチにより、患者固有の超音波画像の高速かつ正確な生成が可能になり、ナビゲーション関連タスクのトレーニング ネットワークでのその有用性が実証されます。

要約(オリジナル)

Ultrasound is well-established as an imaging modality for diagnostic and interventional purposes. However, the image quality varies with operator skills as acquiring and interpreting ultrasound images requires extensive training due to the imaging artefacts, the range of acquisition parameters and the variability of patient anatomies. Automating the image acquisition task could improve acquisition reproducibility and quality but training such an algorithm requires large amounts of navigation data, not saved in routine examinations. Thus, we propose a method to generate large amounts of ultrasound images from other modalities and from arbitrary positions, such that this pipeline can later be used by learning algorithms for navigation. We present a novel simulation pipeline which uses segmentations from other modalities, an optimized volumetric data representation and GPU-accelerated Monte Carlo path tracing to generate view-dependent and patient-specific ultrasound images. We extensively validate the correctness of our pipeline with a phantom experiment, where structures’ sizes, contrast and speckle noise properties are assessed. Furthermore, we demonstrate its usability to train neural networks for navigation in an echocardiography view classification experiment by generating synthetic images from more than 1000 patients. Networks pre-trained with our simulations achieve significantly superior performance in settings where large real datasets are not available, especially for under-represented classes. The proposed approach allows for fast and accurate patient-specific ultrasound image generation, and its usability for training networks for navigation-related tasks is demonstrated.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google