Placenta Segmentation in Ultrasound Imaging: Addressing Sources of Uncertainty and Limited Field-of-View

要約

胎児超音波（US）での胎盤の自動セグメンテーションは、（i）胎盤の外観の多様性が高く、（ii）USでの品質が制限されているため、参照注釈が大きく変動し、（iii）視野が限られているために困難です。
妊娠後期に胎盤全体の評価を禁止している米国の見解。
この作業では、単一の畳み込みニューラルネットワークで胎盤の位置（前部、後部など）の分類と意味論的胎盤セグメンテーションを組み合わせたマルチタスク学習アプローチを使用して、これら3つの課題に対処します。
分類タスクを通じて、モデルは、特に限られたトレーニングセット条件でのセグメンテーションタスクの精度を向上させながら、より大きく多様なデータセットから学習できます。
このアプローチでは、複数の評価者からの注釈の変動性を調査し、自動セグメンテーション（前胎盤では0.86、後胎盤では0.83のサイコロ）が観察者内および観察者間の変動と比較して人間レベルのパフォーマンスを達成することを示します。
最後に、私たちのアプローチは、マルチプローブ画像取得、画像融合、画像セグメンテーションの3つの段階で構成されるマルチビューの米国取得パイプラインを使用して、胎盤全体のセグメンテーションを提供できます。
これにより、米国の胎盤などのより大きな構造の高品質なセグメンテーションが実現し、単一のプローブの視野を超えた画像アーチファクトが減少します。

要約(オリジナル)

Automatic segmentation of the placenta in fetal ultrasound (US) is challenging due to the (i) high diversity of placenta appearance, (ii) the restricted quality in US resulting in highly variable reference annotations, and (iii) the limited field-of-view of US prohibiting whole placenta assessment at late gestation. In this work, we address these three challenges with a multi-task learning approach that combines the classification of placental location (e.g., anterior, posterior) and semantic placenta segmentation in a single convolutional neural network. Through the classification task the model can learn from larger and more diverse datasets while improving the accuracy of the segmentation task in particular in limited training set conditions. With this approach we investigate the variability in annotations from multiple raters and show that our automatic segmentations (Dice of 0.86 for anterior and 0.83 for posterior placentas) achieve human-level performance as compared to intra- and inter-observer variability. Lastly, our approach can deliver whole placenta segmentation using a multi-view US acquisition pipeline consisting of three stages: multi-probe image acquisition, image fusion and image segmentation. This results in high quality segmentation of larger structures such as the placenta in US with reduced image artifacts which are beyond the field-of-view of single probes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google