Self-supervised Pretraining for Cardiovascular Magnetic Resonance Cine Segmentation

要約

自己教師あり事前トレーニング (SSP) は、大規模なラベルなしデータセットからの学習において有望な結果を示しているため、自動心血管磁気共鳴 (CMR) 短軸シネ セグメンテーションに役立つ可能性があります。
しかし、セグメンテーションに対する SSP の利点に関する報告に一貫性がないため、SSP を CMR に適用することが困難になっています。
したがって、この研究は、CMR シネ セグメンテーションのための SSP 手法を評価することを目的としました。
この目的を達成するために、296 人の被験者の短軸シネ スタック (90618 2D スライス) を 4 つの SSP メソッドによるラベルなしの事前トレーニングに使用しました。
SimCLR、位置対比学習、DINO、およびマスク画像モデリング (MIM)。
さまざまな数の被験者のサブセットが、各 SSP メソッドの 2D モデルの教師あり微調整に使用されるだけでなく、2D ベースライン モデルを最初からトレーニングするためにも使用されました。
140 人の被験者のテスト データセットの 3D Dice 類似性係数 (DSC) を使用して、微調整されたモデルをベースラインと比較しました。
SSP メソッドでは、ベースライン (DSC = 0.89) と比較して、最大の教師あり微調整サブセットではパフォーマンスの向上は見られませんでした。
教師ありトレーニングに利用できる被験者が 10 人 (231 の 2D スライス) のみの場合、MIM を使用した SSP (DSC = 0.86) は、最初からトレーニングする (DSC = 0.82) よりも改善されます。
この研究では、ラベル付きトレーニング データが不足している場合には SSP が CMR シネ セグメンテーションに価値があるが、ラベル付きデータが十分に入手可能な場合には最先端の深層学習手法には役立たないことがわかりました。
さらに、SSP 方式の選択も重要です。
コードは https://github.com/q-cardIA/ssp-cmr-cine-segmentation で公開されています。

要約(オリジナル)

Self-supervised pretraining (SSP) has shown promising results in learning from large unlabeled datasets and, thus, could be useful for automated cardiovascular magnetic resonance (CMR) short-axis cine segmentation. However, inconsistent reports of the benefits of SSP for segmentation have made it difficult to apply SSP to CMR. Therefore, this study aimed to evaluate SSP methods for CMR cine segmentation. To this end, short-axis cine stacks of 296 subjects (90618 2D slices) were used for unlabeled pretraining with four SSP methods; SimCLR, positional contrastive learning, DINO, and masked image modeling (MIM). Subsets of varying numbers of subjects were used for supervised fine-tuning of 2D models for each SSP method, as well as to train a 2D baseline model from scratch. The fine-tuned models were compared to the baseline using the 3D Dice similarity coefficient (DSC) in a test dataset of 140 subjects. The SSP methods showed no performance gains with the largest supervised fine-tuning subset compared to the baseline (DSC = 0.89). When only 10 subjects (231 2D slices) are available for supervised training, SSP using MIM (DSC = 0.86) improves over training from scratch (DSC = 0.82). This study found that SSP is valuable for CMR cine segmentation when labeled training data is scarce, but does not aid state-of-the-art deep learning methods when ample labeled data is available. Moreover, the choice of SSP method is important. The code is publicly available at: https://github.com/q-cardIA/ssp-cmr-cine-segmentation

arxiv情報

提供元, 利用サービス

arxiv.jp, Google