Deep Learning for Ultrasound Speed-of-Sound Reconstruction: Impacts of Training Data Diversity on Stability and Robustness

要約

タイトル：超音波音速再構成のための深層学習：トレーニングデータの多様性が安定性と頑健性に与える影響

要約：
– 超音波b-mode画像は定性的なアプローチであり、診断の質はオペレーターのトレーニングと経験に強く依存します。
– 量的アプローチは組織の特性に関する情報を提供できるため、組織の悪性化のバイオマーカーとして、例えば組織内の音速は乳房画像などで用いられます。
– 最近の研究では、シミュレーションデータに完全にトレーニングされた深層ニューラルネットワークを用いて、音速再構成が可能であることが示されています。
– しかし、シミュレーションと測定データの間に常に存在するドメインシフトのため、これらのモデルの安定性と性能についてはまだ議論が続いています。
– この研究では、トモシンセシス画像に基づくトレーニングデータ生成の新しいシミュレーションセットアップを提案しました。
– 簡略化された幾何学的モデルと組み合わせたアプローチを使用し、トレーニングデータの多様性が既存のネットワークアーキテクチャの安定性と頑強性に与える影響を調査しました。
– トレーニングされたネットワークの感度を、例えばエコージェニシティ、散乱体の数、ノイズ、幾何学などの異なるシミュレーションパラメーターについて検討しました。
– ジョイントデータセットでトレーニングされたネットワークが、ドメイン外シミュレーションデータおよび測定ファントムデータでより安定性が高いことを示しました。

要約(オリジナル)

Ultrasound b-mode imaging is a qualitative approach and diagnostic quality strongly depends on operators’ training and experience. Quantitative approaches can provide information about tissue properties; therefore, can be used for identifying various tissue types, e.g., speed-of-sound in the tissue can be used as a biomarker for tissue malignancy, especially in breast imaging. Recent studies showed the possibility of speed-of-sound reconstruction using deep neural networks that are fully trained on simulated data. However, because of the ever-present domain shift between simulated and measured data, the stability and performance of these models in real setups are still under debate. In prior works, for training data generation, tissue structures were modeled as simplified geometrical structures which does not reflect the complexity of the real tissues. In this study, we proposed a new simulation setup for training data generation based on Tomosynthesis images. We combined our approach with the simplified geometrical model and investigated the impacts of training data diversity on the stability and robustness of an existing network architecture. We studied the sensitivity of the trained network to different simulation parameters, e.g., echogenicity, number of scatterers, noise, and geometry. We showed that the network trained with the joint set of data is more stable on out-of-domain simulated data as well as measured phantom data.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI