面向设备无关的超声胎儿脑结构自动分割深度学习方法：多中心与多设备验证
图像与视频处理
2022-03-01 v1 计算机视觉与模式识别
机器学习
摘要
产前超声的质量评估对于胎儿中枢神经系统（CNS）异常筛查至关重要。胎儿脑结构的解读高度主观、依赖专业经验且需要多年培训经历，限制了所有孕妇获得优质产前护理。随着人工智能（AI）特别是深度学习（DL）的近期进展，已提出通过语义分割辅助精确解剖识别，而语义分割对于可靠评估生长与神经发育以及检测结构异常必不可少。然而，现有工作仅从轴平面视图（经脑室、经小脑）之一识别某些结构（如透明隔腔、侧脑室、小脑），限制了按实践指南进行 CNS 异常筛查所需的全面解剖评估范围。此外，现有工作未分析这些 DL 算法跨多种超声设备与中心图像的泛化性，从而限制了其真实世界临床影响。在本研究中，我们提出一种基于 DL 的分割框架，用于从胎儿脑部 USG 图像（2D）的 2 个轴平面自动分割 10 个关键胎儿脑结构。我们开发了使用 inceptionv4 模块作为特征提取器并利用自定义特定领域数据增强的定制 U-Net 变体。定量上，均值（10 个结构；测试集 1/2/3/4）Dice 系数分别为：0.827、0.802、0.731、0.783。无论 USG 设备/中心如何，DL 分割在质量上与其手动分割相当。所提出的 DL 系统提供了有前景且可泛化的性能（多中心、多设备），并通过 UMAP 分析给出了支持设备引起图像质量变异（对泛化性的挑战）的证据。
引用
@article{arxiv.2202.13553,
title = {Towards A Device-Independent Deep Learning Approach for the Automated Segmentation of Sonographic Fetal Brain Structures: A Multi-Center and Multi-Device Validation},
author = {Abhi Lad and Adithya Narayan and Hari Shankar and Shefali Jain and Pooja Punjani Vyas and Divya Singh and Nivedita Hegde and Jagruthi Atada and Jens Thang and Saw Shier Nee and Arunkumar Govindarajan and Roopa PS and Muralidhar V Pai and Akhila Vasudeva and Prathima Radhakrishnan and Sripad Krishna Devalla},
journal= {arXiv preprint arXiv:2202.13553},
year = {2022}
}
备注
SPIE Medical Imaging 2022: Computer Aided Diagnosis (12033-75), 11 pages, 7 figures