Detecting Heart Disease from Multi-View Ultrasound Images via Supervised Attention Multiple Instance Learning

要約

大動脈弁狭窄症 (AS) は、重大な罹患率と死亡率を引き起こす弁の変性疾患です。
この症状は十分に診断されず、治療も不十分です。
臨床現場では、AS は心臓の数十枚の超音波画像を生成する経胸壁心エコー検査の専門家によるレビューによって診断されます。
これらのビューの一部のみが大動脈弁を示しています。
AS のスクリーニングを自動化するには、ディープネットワークは、大動脈弁のビューを識別し、これらの関連画像を集約して研究レベルの診断を生成する人間の専門家の能力を模倣する方法を学習する必要があります。
AS 検出に対するこれまでのアプローチでは、画像全体にわたる柔軟性のない平均に依存しているため、精度が不十分であることがわかりました。
さらに、既製の注意ベースの複数インスタンス学習 (MIL) のパフォーマンスが低いこともわかりました。
私たちは、2 つの重要な方法論的革新により、新しいエンドツーエンドの MIL アプローチに貢献します。
まず、教師ありアテンション技術は、関連するビューを優先するように学習されたアテンション メカニズムをガイドします。
第 2 に、新しい自己教師あり事前トレーニング戦略は、先行文献で一般的に行われていた個別の画像ではなく、研究全体の表現に対照学習を適用します。
オープンアクセス データセットと外部検証セットでの実験では、私たちのアプローチがモデル サイズを削減しながら高い精度をもたらすことが示されています。

要約(オリジナル)

Aortic stenosis (AS) is a degenerative valve condition that causes substantial morbidity and mortality. This condition is under-diagnosed and under-treated. In clinical practice, AS is diagnosed with expert review of transthoracic echocardiography, which produces dozens of ultrasound images of the heart. Only some of these views show the aortic valve. To automate screening for AS, deep networks must learn to mimic a human expert’s ability to identify views of the aortic valve then aggregate across these relevant images to produce a study-level diagnosis. We find previous approaches to AS detection yield insufficient accuracy due to relying on inflexible averages across images. We further find that off-the-shelf attention-based multiple instance learning (MIL) performs poorly. We contribute a new end-to-end MIL approach with two key methodological innovations. First, a supervised attention technique guides the learned attention mechanism to favor relevant views. Second, a novel self-supervised pretraining strategy applies contrastive learning on the representation of the whole study instead of individual images as commonly done in prior literature. Experiments on an open-access dataset and an external validation set show that our approach yields higher accuracy while reducing model size.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google