Agent with Tangent-based Formulation and Anatomical Perception for Standard Plane Localization in 3D Ultrasound

要約

標準面（SP）定位は、日常臨床の超音波（US）診断に不可欠である。2次元USと比較して、3次元USは1回のスキャンで複数のビュー平面を取得することができ、コロナル平面を追加することで完全な解剖学的構造を提供することができる。しかし、3次元超音波診断における手動によるSPのナビゲーションは、姿勢のばらつきや膨大な探索空間のために、手間がかかり偏りがある。本研究では、3D USにおけるSPの自動位置決めのための新しい強化学習（Renforcement Learning: RL）フレームワークを紹介する。本研究の目的は3つある。まず、3D USにおけるSPローカライゼーションを接点ベースの問題としてRLで定式化し、行動空間を再構成して探索空間を大幅に縮小する。第二に、平面探索において、非SPとSPの微妙な違いを認識するモデルの能力を向上させるための補助タスク学習戦略を設計する。最後に、空間情報と解剖学的情報を同時に利用することにより、学習軌道を効果的に誘導する空間-解剖学的報酬を提案する。我々は、子宮と胎児脳のデータセットにおいて、4つのSPのローカライズに我々のアプローチの有効性を検証した。実験の結果、我々のアプローチは高い位置特定精度とロバストな性能を達成することが示された。

要約(オリジナル)

Standard plane (SP) localization is essential in routine clinical ultrasound (US) diagnosis. Compared to 2D US, 3D US can acquire multiple view planes in one scan and provide complete anatomy with the addition of coronal plane. However, manually navigating SPs in 3D US is laborious and biased due to the orientation variability and huge search space. In this study, we introduce a novel reinforcement learning (RL) framework for automatic SP localization in 3D US. Our contribution is three-fold. First, we formulate SP localization in 3D US as a tangent-point-based problem in RL to restructure the action space and significantly reduce the search space. Second, we design an auxiliary task learning strategy to enhance the model’s ability to recognize subtle differences crossing Non-SPs and SPs in plane search. Finally, we propose a spatial-anatomical reward to effectively guide learning trajectories by exploiting spatial and anatomical information simultaneously. We explore the efficacy of our approach on localizing four SPs on uterus and fetal brain datasets. The experiments indicate that our approach achieves a high localization accuracy as well as robust performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL