CACTUS: An Open Dataset and Framework for Automated Cardiac Assessment and Classification of Ultrasound Images Using Deep Transfer Learning

要約

心臓超音波（米国）スキャンは、心臓の健康とその適切な機能を診断するために、心臓病の一般的に使用される技術です。
したがって、これらのタスクを自動化する方法を検討し、医療専門家が心臓の米国の画像を分類および評価するのを支援する必要があります。
機械学習（ML）技術は、エコーグラフィー技術者の不足に対処するなど、医療分野の強化を目的とした多数のアプリケーションでの成功により、顕著な解決策と見なされています。
ただし、医療データの利用可能性が限られているため、特に心臓の画像に関して、心臓病にMLを適用することに対する重要な障壁があります。
このペーパーでは、オンラインで入手できる超音波（サボテン）の心臓評価と分類のための最初のオープングレードのデータセットを導入することにより、この課題に対処します。
このデータセットには、CAEブルーファントムのスキャンから得られた画像が含まれており、さまざまなハートビューとさまざまな品質レベルを表し、文献に通常見られる従来の心臓ビューを超えています。
さらに、このペーパーでは、2つの主要なコンポーネントで構成される深い学習（DL）フレームワークを紹介します。
最初のコンポーネントは、畳み込みニューラルネットワーク（CNN）を使用して、心臓ビューに基づいて心臓の画像を分類します。
2番目のコンポーネントは、転送学習（TL）を使用して、最初のコンポーネントから知識を微調整し、心臓画像をグレーディングおよび評価するためのモデルを作成します。
このフレームワークは、分類とグレーディングの両方で高性能を示し、それぞれ最大99.43％の精度と0.3067エラーの低いエラーを達成します。
その堅牢性を紹介するために、フレームワークは、追加の心臓ビューを表す新しい画像を使用してさらに微調整され、他のいくつかの最先端のアーキテクチャと比較されます。
リアルタイムスキャンの処理におけるフレームワークの結果とパフォーマンスは、心臓の専門家が回答したアンケートを使用して評価されました。

要約(オリジナル)

Cardiac ultrasound (US) scanning is a commonly used techniques in cardiology to diagnose the health of the heart and its proper functioning. Therefore, it is necessary to consider ways to automate these tasks and assist medical professionals in classifying and assessing cardiac US images. Machine learning (ML) techniques are regarded as a prominent solution due to their success in numerous applications aimed at enhancing the medical field, including addressing the shortage of echography technicians. However, the limited availability of medical data presents a significant barrier to applying ML in cardiology, particularly regarding US images of the heart. This paper addresses this challenge by introducing the first open graded dataset for Cardiac Assessment and ClassificaTion of UltraSound (CACTUS), which is available online. This dataset contains images obtained from scanning a CAE Blue Phantom and representing various heart views and different quality levels, exceeding the conventional cardiac views typically found in the literature. Additionally, the paper introduces a Deep Learning (DL) framework consisting of two main components. The first component classifies cardiac US images based on the heart view using a Convolutional Neural Network (CNN). The second component uses Transfer Learning (TL) to fine-tune the knowledge from the first component and create a model for grading and assessing cardiac images. The framework demonstrates high performance in both classification and grading, achieving up to 99.43% accuracy and as low as 0.3067 error, respectively. To showcase its robustness, the framework is further fine-tuned using new images representing additional cardiac views and compared to several other state-of-the-art architectures. The framework’s outcomes and performance in handling real-time scans were also assessed using a questionnaire answered by cardiac experts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google