FUGC: 子宮頸部セグメンテーションのための半監督学習方法のベンチマーク

科学分野:

• メディカルイマージング (医学イメージング)
• 人工知能 (AI) とは,人工知能 (AI) のことです.
• 産科・婦人科 産科・婦人科

背景:

• トランスヴァギナル超音波 (TVS) で子宮頸部の正確なセグメンテーションは,自発的な早産 (PTB) リスク評価に不可欠です.
• 監督学習方法は,標識された子宮頸部超音波データの利用が限られているため,困難です.
• 堅牢なAIモデルを開発するには,子宮頸部のセグメンテーション技術を評価するための標準化されたベンチマークが必要です.

研究 の 目的:

• 胎児超音波グランドチャレンジ (FUGC) を導入し,子宮頸部セグメンテーションにおける半監督学習の最初のベンチマークである.
• AIベースの子宮頸部分析のための包括的なデータセットと評価フレームワークを提供します.
• 人工知能支援のPTBリスク評価の進歩を促進する.

主な方法:

• 890のTVS画像 (500のトレーニング,90の検証,300のテスト) でFUGCのベンチマークを確立しました.
• デイス類似度係数 (DSC),ハウズドルフ距離 (HD),ランタイム (RT) を加重スコア (0.4/0.4/0.2) で使用した提出方法の評価.
• 82人の参加者を含む10のチームが,半監督学習ソリューションを開発し,提出しました.

主要な成果:

• 最高のパフォーマンスのメソッドは,平均DSCの90.26%,平均HDの38.88%,平均RTの32.85msを達成しました.
• レーベルデータが限られているシナリオで,半監督アプローチの有効性を実証した.
• 参加チームによって開発された革新的なソリューションを強調した.

結論:

• FUGCは,子宮頸部セグメンテーション研究のための標準化されたベンチマークを提供します.
• 半監督学習は,データ不足のシステムで子宮頸部分析の有望性を示しています.
• この課題は,PTBリスク評価のためのAI駆動の臨床ツールのための基礎を築くものです.