Sequence-aware Pre-training for Echocardiography Probe Guidance

要約

心臓超音波プローブのガイダンスは、初心者が 6-DOF プローブの姿勢を調整して高品質の断面画像を取得できるようにすることを目的としています。
心臓超音波検査は、(1) 心臓の本質的に複雑な構造、および (2) 大きな個人差という 2 つの大きな課題に直面しています。
これまでの研究では、パーソナライズされた心臓の構造的特徴ではなく、人口平均された心臓の 2D および 3D 構造のみが学習されていたため、パフォーマンスのボトルネックが発生していました。
臨床的には、超音波検査者が以前のスキャンシーケンスに基づいて患者の心臓構造の理解を調整し、それによってスキャン戦略を修正していることが観察されました。
これに触発されて、私たちはシーケンスを意識した自己教師付き事前トレーニング方法を提案します。
具体的には、私たちのアプローチは、スキャンシーケンスでマスクされた画像と動作を予測することにより、個人化された2Dおよび3Dの心臓の構造的特徴を学習します。
モデルが欠落している内容を予測できれば、パーソナライズされた心臓構造を十分に理解していると仮定します。
下流のプローブガイダンスタスクでは、過去のスキャンデータからの画像と動作に基づいて個々の心臓構造情報をモデル化するシーケンスモデリングアプローチも導入し、より正確なナビゲーション決定を可能にしました。
136万サンプルの大規模データセットでの実験では、私たちが提案するシーケンス認識パラダイムがナビゲーションエラーを大幅に削減できることが実証され、状態と比較して、変換エラーが15.90％から36.87％減少し、回転エラーが11.13％から20.77％減少しました。
最先端のメソッド。

要約(オリジナル)

Cardiac ultrasound probe guidance aims to help novices adjust the 6-DOF probe pose to obtain high-quality sectional images. Cardiac ultrasound faces two major challenges: (1) the inherently complex structure of the heart, and (2) significant individual variations. Previous works have only learned the population-averaged 2D and 3D structures of the heart rather than personalized cardiac structural features, leading to a performance bottleneck. Clinically, we observed that sonographers adjust their understanding of a patient’s cardiac structure based on prior scanning sequences, thereby modifying their scanning strategies. Inspired by this, we propose a sequence-aware self-supervised pre-training method. Specifically, our approach learns personalized 2D and 3D cardiac structural features by predicting the masked-out images and actions in a scanning sequence. We hypothesize that if the model can predict the missing content it has acquired a good understanding of the personalized cardiac structure. In the downstream probe guidance task, we also introduced a sequence modeling approach that models individual cardiac structural information based on the images and actions from historical scan data, enabling more accurate navigation decisions. Experiments on a large-scale dataset with 1.36 million samples demonstrated that our proposed sequence-aware paradigm can significantly reduce navigation errors, with translation errors decreasing by 15.90% to 36.87% and rotation errors decreasing by 11.13% to 20.77%, compared to state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google