Multi-task learning for joint weakly-supervised segmentation and aortic arch anomaly classification in fetal cardiac MRI

要約

先天性心疾患 (CHD) は、胎児期にすでに存在する心臓奇形のグループであり、世界的に広く普及している先天性欠損症のカテゴリーを表しています。
この研究における私たちの目的は、解剖学的に大きな不均一性を伴うさまざまな状態を含むグループである大動脈弓異常における胎児血管トポロジーの 3D 視覚化を支援することです。
我々は、3D黒血T2w MRIおよび異常分類からの自動マルチクラス胎児血管セグメンテーションのためのマルチタスクフレームワークを提示します。
私たちのトレーニング データは、個々の被験者の心臓血管領域のバイナリ手動セグメンテーション マスクと、完全にラベル付けされた異常固有の集団アトラスで構成されています。
私たちのフレームワークは、VoxelMorph を使用したディープ ラーニング ラベル伝播と、3D アテンション U-Net セグメンテーションおよび DenseNet121 異常分類を組み合わせています。
我々は、11 の心臓血管と、二重大動脈弓、右大動脈弓、および大動脈縮窄症の疑いを含む 3 つの異なる大動脈弓異常を対象としています。
異常分類器をセグメンテーション パイプラインに組み込んで、セグメンテーションのトポロジー上の不正確さを修正することを主な目的としたマルチタスク フレームワークを提供します。
仮説は、マルチタスクのアプローチにより、セグメンター ネットワークが異常固有の特徴を学習するようになるというものです。
二次的な動機として、自動診断ツールは意思決定支援設定における診断の信頼性を高める可能性があります。
私たちの結果は、私たちが提案したトレーニング戦略が、ラベルの伝播および伝播されたラベルのみでトレーニングされたネットワークよりも大幅に優れていることを示しています。
私たちの分類器は、T2w ボリューム画像のみでトレーニングされた分類器よりも優れたパフォーマンスを発揮し、共同トレーニング後の平均バランス精度は 0.99 (0.01) です。
分類器を追加すると、正しく分類されたすべての二重大動脈弓対象の解剖学的およびトポロジカルな精度が向上します。

要約(オリジナル)

Congenital Heart Disease (CHD) is a group of cardiac malformations present already during fetal life, representing the prevailing category of birth defects globally. Our aim in this study is to aid 3D fetal vessel topology visualisation in aortic arch anomalies, a group which encompasses a range of conditions with significant anatomical heterogeneity. We present a multi-task framework for automated multi-class fetal vessel segmentation from 3D black blood T2w MRI and anomaly classification. Our training data consists of binary manual segmentation masks of the cardiac vessels’ region in individual subjects and fully-labelled anomaly-specific population atlases. Our framework combines deep learning label propagation using VoxelMorph with 3D Attention U-Net segmentation and DenseNet121 anomaly classification. We target 11 cardiac vessels and three distinct aortic arch anomalies, including double aortic arch, right aortic arch, and suspected coarctation of the aorta. We incorporate an anomaly classifier into our segmentation pipeline, delivering a multi-task framework with the primary motivation of correcting topological inaccuracies of the segmentation. The hypothesis is that the multi-task approach will encourage the segmenter network to learn anomaly-specific features. As a secondary motivation, an automated diagnosis tool may have the potential to enhance diagnostic confidence in a decision support setting. Our results showcase that our proposed training strategy significantly outperforms label propagation and a network trained exclusively on propagated labels. Our classifier outperforms a classifier trained exclusively on T2w volume images, with an average balanced accuracy of 0.99 (0.01) after joint training. Adding a classifier improves the anatomical and topological accuracy of all correctly classified double aortic arch subjects.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google