Más allá de la variabilidad humana: aprendizaje profundo para la segmentación de ultrasonido intravascular con...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial

Sus antecedentes:

• El ultrasonido intravascular (IVUS) proporciona vistas transversales cruciales de los vasos coronarios.
• El aprendizaje profundo se destaca en la segmentación semántica para la interpretación de IVUS.
• Los desafíos incluyen la experiencia requerida y la anotación manual que consume mucho tiempo.

Objetivo del estudio:

• Evaluar el impacto de las etiquetas ruidosas en la segmentación de IVUS basada en aprendizaje profundo.
• Desarrollar un filtro informado clínicamente para evaluar la calidad de las etiquetas.
• Mejorar el rendimiento del modelo en entornos de aprendizaje semisupervisado.

Principales métodos:

• Análisis de los efectos de las etiquetas ruidosas en los modelos de segmentación de aprendizaje profundo.
• Desarrollo de un filtro utilizando la distancia de Hausdorff para la evaluación de la calidad de las etiquetas.
• Aplicación del filtro en un marco de aprendizaje semisupervisado.

Principales resultados:

• El rendimiento de la segmentación se degrada significativamente con etiquetas ruidosas consistentes o una alineación deficiente de los límites.
• Se observó una degradación limitada del rendimiento (coeficiente de Dice del 1,92%) cuando el 50% de los límites eran correctos, incluso con errores de 20 píxeles.
• El aumento del tamaño de los datos de entrenamiento mitigó los efectos adversos de las etiquetas ruidosas.
• El filtro propuesto mejoró el rendimiento de la segmentación en el autoentrenamiento.

Conclusiones:

• Las etiquetas ruidosas pueden afectar sustancialmente la precisión de la segmentación del aprendizaje profundo en IVUS.
• Un filtro informado clínicamente puede mejorar la robustez del modelo al abordar la calidad de las etiquetas.
• Los hallazgos ofrecen orientación práctica para crear conjuntos de datos de alta calidad para modelos de aprendizaje profundo de imágenes IVUS.