[论文解读] Label-free segmentation from cardiac ultrasound using self-supervised learning

Danielle L. Ferreira, Lau, Connor+2 more|arXiv (Cornell University)|Oct 10, 2022

Cardiovascular Function and Risk Factors被引用 6

一句话总结

本论文提出了一种自监督深度学习流程，用于在无需人工标注的情况下对超声心动图中的心脏腔室进行分割，该方法结合了临床领域知识与在93,000张超声心动图上的对比学习。该方法实现了高精度（Dice分数为0.89），其临床表现与专家测量结果相当，生物测量指标的决定系数r²在0.56至0.84之间，且与心脏磁共振成像（MRI）具有强相关性，证明了其在无需人工标注情况下的可扩展性。

ABSTRACT

Segmentation and measurement of cardiac chambers is critical in cardiac ultrasound but is laborious and poorly reproducible. Neural networks can assist, but supervised approaches require the same laborious manual annotations. We built a pipeline for self-supervised (no manual labels) segmentation combining computer vision, clinical domain knowledge, and deep learning. We trained on 450 echocardiograms (93,000 images) and tested on 8,393 echocardiograms (4,476,266 images; mean 61 years, 51% female), using the resulting segmentations to calculate biometrics. We also tested against external images from an additional 10,030 patients with available manual tracings of the left ventricle. r2 between clinically measured and pipeline-predicted measurements were similar to reported inter-clinician variation and comparable to supervised learning across several different measurements (r2 0.56-0.84). Average accuracy for detecting abnormal chamber size and function was 0.85 (range 0.71-0.97) compared to clinical measurements. A subset of test echocardiograms (n=553) had corresponding cardiac MRIs, where MRI is the gold standard. Correlation between pipeline and MRI measurements was similar to that between clinical echocardiogram and MRI. Finally, the pipeline accurately segments the left ventricle with an average Dice score of 0.89 (95% CI [0.89]) in the external, manually labeled dataset. Our results demonstrate a manual-label free, clinically valid, and highly scalable method for segmentation from ultrasound, a noisy but globally important imaging modality.

研究动机与目标

• 消除心脏超声分割中耗时的人工标注需求。
• 开发一种可扩展且临床有效的左心室分割方法，采用自监督学习。
• 将该流程与临床测量结果、外部人工勾画数据集以及金标准心脏MRI进行验证。
• 在避免标注成本的同时，实现与监督方法相当的性能。
• 实现在低资源环境中广泛部署自动化心脏超声分析。

提出的方法

• 该方法采用对比自监督学习框架，在93,000张未标注的心脏超声图像上预训练基于U-Net的分割网络。
• 应用特定于领域的数据增强方法，包括视图特定的变换和空间一致性约束，以提升从无标注数据中学习特征的能力。
• 采用对比损失函数，促使网络对正样本对（如旋转或裁剪版本）生成相似嵌入，而对负样本对生成不同嵌入。
• 将预训练模型在外部数据集中少量人工勾画图像上进行微调，以适应特定的解剖变异。
• 利用分割输出计算心脏生物测量指标，如射血分数和腔室尺寸。
• 通过Dice分数、与临床测量的相关性以及与心脏MRI的一致性对流程进行评估。

实验结果

研究问题

• RQ1 自监督学习是否能在无需任何人工标注的情况下实现超声心动图中准确的心脏腔室分割？
• RQ2 该自监督流程的性能与标准临床测量中临床医生之间的变异程度相比如何？
• RQ3 该流程的分割精度在多大程度上与金标准心脏MRI测量结果一致？
• RQ4 该方法能否在不同患者群体和成像协议下实现泛化？
• RQ5 特定于领域的数据增强方法在低资源超声环境下的模型泛化能力中起到何种影响？

主要发现

• 在外部人工标注数据集上，该流程的平均Dice分数为0.89（95%置信区间[0.89]），表明分割精度较高。
• 该流程预测的生物测量指标与临床测量结果之间的相关性决定系数r²在0.56至0.84之间，与临床医生间变异程度相当。
• 在553名患者子集中（匹配心脏MRI），该流程与MRI测量结果的相关性与临床超声心动图与MRI之间的相关性相似。
• 与临床参考标准相比，该模型在检测异常腔室大小和功能方面的平均准确率为0.85（范围0.71–0.97）。
• 该方法在多样化数据集上表现出强大的泛化能力，包括10,030张外部超声心动图及其人工勾画结果。
• 自监督方法消除了人工标注的需求，同时保持了与监督基线方法相当的性能。