UltraBones100k: A reliable automated labeling method and large-scale dataset for ultrasound-based bone surface extraction

要約

超音波ベースの骨表面セグメンテーションは、コンピューター支援整形外科手術において重要です。
ただし、超音波画像には、信号対雑音比が低いことや、解釈が困難になる音響シャドーイングなど、制限があります。
骨セグメンテーションの既存の深い学習モデルは、主に専門家による費用のかかる手動ラベル付けに依存しており、データセットのサイズとモデルの一般化可能性を制限しています。
さらに、超音波物理学とアコースティックシャドウの複雑さにより、人間が画像を解釈することが困難になり、不安定な地域のラベルが不完全になり、モデルのパフォーマンスが制限されます。
超音波骨セグメンテーションを進め、効果的なモデルベンチマークを確立するには、より大規模で高品質のデータセットが必要です。
AneChoic領域を含む自動的に生成された骨ラベルを使用して、Ex-vivo超音波データセットを収集するための方法論を提案します。
提案されたラベルは、追跡された骨CTモデルを追跡された超音波画像に正確に重ねることによって導き出されます。
これらの初期ラベルは、超音波物理学を説明するために改良されています。
臨床評価は、生成された骨ラベルの品質を評価するために、整形外科の超音波検査に特化した専門の医師によって実施されます。
骨セグメンテーションのためのニューラルネットワークは収集されたデータセットでトレーニングされ、その予測は専門家のマニュアルラベルと比較され、精度、完全性、F1スコアを評価します。
Ultrabones100Kと呼ばれる骨ラベルを持つヒト下肢の100K超音波画像の最大の既知のデータセットを収集しました。
WilcoxonがBonferroni補正を備えたランクテストに署名したことで、この方法が骨標識の品質を大幅に改善した後の骨アライメントが確認されました（P <0.001）。 ultrabones100Kで訓練されたモデルは、すべてのメトリック、特に低強度領域で一貫して手動のラベルを上回っています（距離のしきい値0.5 mmで完全性が320％改善）。

要約(オリジナル)

Ultrasound-based bone surface segmentation is crucial in computer-assisted orthopedic surgery. However, ultrasound images have limitations, including a low signal-to-noise ratio, and acoustic shadowing, which make interpretation difficult. Existing deep learning models for bone segmentation rely primarily on costly manual labeling by experts, limiting dataset size and model generalizability. Additionally, the complexity of ultrasound physics and acoustic shadow makes the images difficult for humans to interpret, leading to incomplete labels in anechoic regions and limiting model performance. To advance ultrasound bone segmentation and establish effective model benchmarks, larger and higher-quality datasets are needed. We propose a methodology for collecting ex-vivo ultrasound datasets with automatically generated bone labels, including anechoic regions. The proposed labels are derived by accurately superimposing tracked bone CT models onto the tracked ultrasound images. These initial labels are refined to account for ultrasound physics. A clinical evaluation is conducted by an expert physician specialized on orthopedic sonography to assess the quality of the generated bone labels. A neural network for bone segmentation is trained on the collected dataset and its predictions are compared to expert manual labels, evaluating accuracy, completeness, and F1-score. We collected the largest known dataset of 100k ultrasound images of human lower limbs with bone labels, called UltraBones100k. A Wilcoxon signed-rank test with Bonferroni correction confirmed that the bone alignment after our method significantly improved the quality of bone labeling (p < 0.001). The model trained on UltraBones100k consistently outperforms manual labeling in all metrics, particularly in low-intensity regions (320% improvement in completeness at a distance threshold of 0.5 mm).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google