Uncertainty Estimation for Trust Attribution to Speed-of-Sound Reconstruction with Variational Networks

要約

速度（SOS）は組織の生体力学的特性であり、そのイメージングは​​診断のための有望なバイオマーカーを提供することができます。
超音波取得からのSOS画像の再構築は、限られた角度の計算済みトモグラフィーの問題としてキャストでき、変分ネットワークは有望なモデルベースのディープ学習ソリューションです。
ただし、いくつかの取得したデータフレームは、たとえば動き、接触の欠如、音響の影のためにノイズによって破損する可能性があり、結果として生じるSOSの再構成に悪影響を及ぼします。
SOS再構成の不確実性を使用して、個々の取得フレームに信頼を帰属させることを提案します。
複数の買収を考慮して、診断の決定を改善するために、これらの遡及的に不確実性に基づいた自動選択を使用します。
モンテカルロのドロップアウトとベイジアンの変動推論に基づいた不確実性の推定を調査します。
乳がんの鑑別診断のための自動フレーム選択方法を評価し、良性線維腫と悪性癌を区別します。
bi-rads〜4に分類された21の病変を評価します。これは、悪性腫瘍の疑わしい症例を表します。
各病変の4つの獲得の中で最も信頼できるフレームは、不確実性ベースの基準を使用して特定されました。
不確実性が通知されたフレームを選択すると、モンテカルロドロップアウトとベイジアンの変動推論では、それぞれ76％と80％の曲線下面積が達成されました。
不確実性の推定の新しい使用が提案されており、さらに処理および意思決定のために複数のデータ収集のいずれかを選択することが提案されています。

要約(オリジナル)

Speed-of-sound (SoS) is a biomechanical characteristic of tissue, and its imaging can provide a promising biomarker for diagnosis. Reconstructing SoS images from ultrasound acquisitions can be cast as a limited-angle computed-tomography problem, with Variational Networks being a promising model-based deep learning solution. Some acquired data frames may, however, get corrupted by noise due to, e.g., motion, lack of contact, and acoustic shadows, which in turn negatively affects the resulting SoS reconstructions. We propose to use the uncertainty in SoS reconstructions to attribute trust to each individual acquired frame. Given multiple acquisitions, we then use an uncertainty based automatic selection among these retrospectively, to improve diagnostic decisions. We investigate uncertainty estimation based on Monte Carlo Dropout and Bayesian Variational Inference. We assess our automatic frame selection method for differential diagnosis of breast cancer, distinguishing between benign fibroadenoma and malignant carcinoma. We evaluate 21 lesions classified as BI-RADS~4, which represents suspicious cases for probable malignancy. The most trustworthy frame among four acquisitions of each lesion was identified using uncertainty based criteria. Selecting a frame informed by uncertainty achieved an area under curve of 76% and 80% for Monte Carlo Dropout and Bayesian Variational Inference, respectively, superior to any uncertainty-uninformed baselines with the best one achieving 64%. A novel use of uncertainty estimation is proposed for selecting one of multiple data acquisitions for further processing and decision making.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google