图像分割中的自动化质量控制：在英国生物样本库心脏磁共振成像研究中的应用
计算机视觉与模式识别
2019-01-29 v1
摘要
背景：包括群体影像在内的大规模研究趋势在质量控制（QC）方面提出了新的挑战。当使用自动处理工具（例如图像分割方法）来推导用于后续分析的定量指标或生物标志物时，这一问题尤为突出。在大规模下对每次分割进行人工检查和视觉 QC 是不可行的。然而，能够自动检测分割方法何时失败十分重要，以避免将错误测量纳入后续分析而导致错误结论。方法：为克服这一挑战，我们探索了一种基于逆向分类精度（Reverse Classification Accuracy, RCA）的分割质量预测方法，使我们能够在逐例基础上区分成功与失败的分割。我们在一个新的、包含 4800 例心脏磁共振扫描的大规模人工标注集上验证了该方法。随后我们将方法应用于一个包含 7250 例心脏 MRI 的大型队列，并已对其进行人工 QC。结果：我们报告了用于预测分割质量指标（包括 Dice 相似系数（DSC）和表面距离度量）的结果。作为初步验证，我们展示了 400 例扫描的数据，证明使用预测 DSC 分数对低质量和高质量分割进行分类的准确率达 99%。作为进一步验证，我们显示了真实分数与预测分数之间的高相关性，以及在具有人工分割的 4800 例扫描上 95% 的分类准确率。我们在 7250 例心脏 MRI 上模拟了该方法的真实世界应用，显示预测质量指标与人工视觉 QC 分数之间具有良好一致性。结论：我们表明，在如英国生物样本库影像研究这样的大规模群体影像背景下，RCA 有潜力用于逐例的准确且全自动分割 QC。
引用
@article{arxiv.1901.09351,
title = {Automated Quality Control in Image Segmentation: Application to the UK Biobank Cardiac MR Imaging Study},
author = {Robert Robinson and Vanya V. Valindria and Wenjia Bai and Ozan Oktay and Bernhard Kainz and Hideaki Suzuki and Mihir M. Sanghvi and Nay Aung and Jos$é$ Miguel Paiva and Filip Zemrak and Kenneth Fung and Elena Lukaschuk and Aaron M. Lee and Valentina Carapella and Young Jin Kim and Stefan K. Piechnik and Stefan Neubauer and Steffen E. Petersen and Chris Page and Paul M. Matthews and Daniel Rueckert and Ben Glocker},
journal= {arXiv preprint arXiv:1901.09351},
year = {2019}
}
备注
14 pages, 7 figures, Journal of Cardiovascular Magnetic Resonance