Mono2D: A Trainable Monogenic Layer for Robust Knee Cartilage Segmentation on Out-of-Distribution 2D Ultrasound Data

要約

ポイントオブケアの超音波デバイスとディープラーニングネットワークを使用した自動膝軟骨セグメンテーションは、膝の変形性関節症の管理を強化する可能性があります。
ただし、セグメンテーションアルゴリズムはしばしば、超音波デバイスと取得パラメーターの変動によって引き起こされるドメインシフトと格闘し、一般化可能性を制限します。
このホワイトペーパーでは、トレーニング可能なバンドパス通気フィルターを使用して、マルチスケール、コントラスト、および強度不変の局所位相特徴を抽出するモノン生成層であるMono2Dを提案します。
このレイヤーはドメインのシフトを緩和し、分散型ドメインへの一般化を改善します。
Mono2Dは、セグメンテーションネットワークの最初のレイヤーの前に統合され、そのパラメーターはネットワークのパラメーターと一緒に共同でトレーニングされます。
単一ソースドメイン一般化（SSDG）のマルチドメイン2D超音波膝軟骨データセットでMono2Dを評価しました。
私たちの結果は、Mono2DがDICEスコアと平均平均表面距離の観点から他のSSDGメソッドを上回ることを示しています。
その一般化可能性をさらに評価するために、多サイトの前立腺MRIデータセットでMono2Dを評価します。そこでは、他のSSDGメソッドを上回り続け、医療イメージングのドメイン一般化を改善する可能性を強調しています。
それにもかかわらず、その臨床的有用性を評価するには、多様なデータセットのさらなる評価が依然として必要です。

要約(オリジナル)

Automated knee cartilage segmentation using point-of-care ultrasound devices and deep-learning networks has the potential to enhance the management of knee osteoarthritis. However, segmentation algorithms often struggle with domain shifts caused by variations in ultrasound devices and acquisition parameters, limiting their generalizability. In this paper, we propose Mono2D, a monogenic layer that extracts multi-scale, contrast- and intensity-invariant local phase features using trainable bandpass quadrature filters. This layer mitigates domain shifts, improving generalization to out-of-distribution domains. Mono2D is integrated before the first layer of a segmentation network, and its parameters jointly trained alongside the network’s parameters. We evaluated Mono2D on a multi-domain 2D ultrasound knee cartilage dataset for single-source domain generalization (SSDG). Our results demonstrate that Mono2D outperforms other SSDG methods in terms of Dice score and mean average surface distance. To further assess its generalizability, we evaluate Mono2D on a multi-site prostate MRI dataset, where it continues to outperform other SSDG methods, highlighting its potential to improve domain generalization in medical imaging. Nevertheless, further evaluation on diverse datasets is still necessary to assess its clinical utility.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google