UniLVSeg: Unified Left Ventricular Segmentation with Sparsely Annotated Echocardiogram Videos through Self-Supervised Temporal Masking and Weakly Supervised Training

要約

心エコー検査は、一般的な心臓の健康状態の評価に不可欠な臨床画像診断法となっています。
駆出率などのバイオマーカーの計算から患者の心不全の確率に至るまで、心臓とその構造を正確にセグメンテーションすることで、医師はより正確かつ正確に治療を計画し、実行することができます。
ただし、正確かつ堅牢な左心室セグメンテーションを実現するには、さまざまな理由から時間がかかり、困難です。
この研究では、まばらに注釈が付けられた心エコー図ビデオから一貫した左心室 (LV) セグメンテーションを行うための新しいアプローチを導入しています。
これは、(1) 時間的マスキングを使用した自己教師あり学習 (SSL) と、それに続く (2) 弱い教師ありトレーニングによって実現されます。
私たちは、3D セグメンテーションと新しい 2D スーパーイメージ (SI) という 2 つの異なるセグメンテーション アプローチを調査します。
私たちが提案する方法が、より効率的でありながら、大規模なデータセット (EchoNet-Dynamic) 上で 93.32% (95%CI 93.21-93.43%) のサイコロ スコアを達成することで、いかに最先端のソリューションを上回るパフォーマンスを発揮するかを実証します。
私たちのアプローチの有効性を示すために、事前トレーニング設定やさまざまな深層学習バックボーンを含む広範なアブレーション研究を提供します。
さらに、ラベルのないフレームをトレーニング プロセスに組み込むことで、私たちが提案する方法論がどのようにして高いデータ有用性を実現するかについて説明します。
医学界における AI のサポートを支援するために、ソース コードを含む完全なソリューションは承認され次第公開されます。

要約(オリジナル)

Echocardiography has become an indispensable clinical imaging modality for general heart health assessment. From calculating biomarkers such as ejection fraction to the probability of a patient’s heart failure, accurate segmentation of the heart and its structures allows doctors to plan and execute treatments with greater precision and accuracy. However, achieving accurate and robust left ventricle segmentation is time-consuming and challenging due to different reasons. This work introduces a novel approach for consistent left ventricular (LV) segmentation from sparsely annotated echocardiogram videos. We achieve this through (1) self-supervised learning (SSL) using temporal masking followed by (2) weakly supervised training. We investigate two different segmentation approaches: 3D segmentation and a novel 2D superimage (SI). We demonstrate how our proposed method outperforms the state-of-the-art solutions by achieving a 93.32% (95%CI 93.21-93.43%) dice score on a large-scale dataset (EchoNet-Dynamic) while being more efficient. To show the effectiveness of our approach, we provide extensive ablation studies, including pre-training settings and various deep learning backbones. Additionally, we discuss how our proposed methodology achieves high data utility by incorporating unlabeled frames in the training process. To help support the AI in medicine community, the complete solution with the source code will be made publicly available upon acceptance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google