ترجمه فارسی مقاله بهبود استحکام برای قطعه‌بندی مبتنی بر یادگیری عمیق مجموعه داده‌های MRI پرفیوژن میوکارد چند مرکزی با استفاده از تحلیل تطبیقی ​​فضا-زمان هدایت‌شده با عدم قطعیت داده‌ها

چکیده

Background. Fully automatic analysis of myocardial perfusion MRI datasets enables rapid and objective reporting of stress/rest studies in patients with suspected ischemic heart disease. Developing deep learning techniques that can analyze multi-center datasets despite limited training data and variations in software and hardware is an ongoing challenge. Methods. Datasets from 3 medical centers acquired at 3T (n = 150 subjects) were included: an internal dataset (inD; n = 95) and two external datasets (exDs; n = 55) used for evaluating the robustness of the trained deep neural network (DNN) models against differences in pulse sequence (exD-1) and scanner vendor (exD-2). A subset of inD (n = 85) was used for training/validation of a pool of DNNs for segmentation, all using the same spatiotemporal U-Net architecture and hyperparameters but with different parameter initializations. We employed a space-time sliding-patch analysis approach that automatically yields a pixel-wise “uncertainty map” as a byproduct of the segmentation process. In our approach, a given test case is segmented by all members of the DNN pool and the resulting uncertainty maps are leveraged to automatically select the “best” one among the pool of solutions. Results. The proposed DAUGS analysis approach performed similarly to the established approach on the internal dataset (p = n.s.) whereas it significantly outperformed on the external datasets (p < 0.005 for exD-1 and exD-2). Moreover, the number of image series with "failed" segmentation was significantly lower for the proposed vs. the established approach (4.3% vs. 17.1%, p < 0.0005). Conclusions. The proposed DAUGS analysis approach has the potential to improve the robustness of deep learning methods for segmentation of multi-center stress perfusion datasets with variations in the choice of pulse sequence, site location or scanner vendor.

چکیده به فارسی (ترجمه ماشینی)

زمینهتجزیه و تحلیل کاملاً خودکار از مجموعه داده های MRI پرفیوژن میوکارد ، گزارش سریع و عینی از مطالعات استرس/استراحت را در بیماران مبتلا به بیماری ایسکمیک قلبی مشکوک می کند.توسعه تکنیک های یادگیری عمیق که می توانند با وجود داده های آموزش محدود و تغییرات در نرم افزار و سخت افزار ، مجموعه داده های چند مرکز را تجزیه و تحلیل کنند ، یک چالش مداوم است.روشهامجموعه داده های 3 مرکز پزشکی به دست آمده در 3T (150 نفر = n) گنجانده شده است: یک مجموعه داده داخلی (Ind ؛ n = 95) و دو مجموعه داده خارجی (exds ؛ n = 55) برای ارزیابی استحکام شبکه عصبی عمیق آموزش دیده استفاده می شود (DNN) مدل ها در برابر تفاوت در توالی پالس (EXD-1) و فروشنده اسکنر (EXD-2).زیر مجموعه ای از IND (85 نفر) برای آموزش/اعتبارسنجی استخر DNN برای تقسیم بندی استفاده شد ، همه با استفاده از معماری و Hyperparameters یکسان مکانی و با استفاده از پارامترهای مختلف.ما از یک رویکرد تجزیه و تحلیل کشویی فضا استفاده کردیم که به طور خودکار یک “نقشه عدم اطمینان” پیکسل را به عنوان یک محصول جانبی فرآیند تقسیم بندی به دست می آورد.در رویکرد ما ، یک مورد آزمون معین توسط همه اعضای استخر DNN تقسیم می شود و نقشه های عدم اطمینان حاصل از آن برای انتخاب خودکار “بهترین” یکی در میان استخر راه حل ها استفاده می شود.نتایجرویکرد تجزیه و تحلیل DAUGS پیشنهادی به طور مشابه با رویکرد تعیین شده در مجموعه داده داخلی (p = n.s.) انجام می شود ، در حالی که به طور قابل توجهی از مجموعه داده های خارجی بهتر عمل می کند (P <0.005 برای EXD-1 و EXD-2).علاوه بر این ، تعداد سری تصویر با تقسیم بندی "شکست خورده" برای روش پیشنهادی در مقابل روش تعیین شده به طور قابل توجهی پایین بود (4.3 ٪ در مقابل 17.1 ٪ ، P <0.0005).نتیجه گیریرویکرد تجزیه و تحلیل DAUGS پیشنهادی پتانسیل را برای بهبود استحکام روشهای یادگیری عمیق برای تقسیم مجموعه داده های پرفیوژن استرس چند مرکز با تغییرات در انتخاب دنباله پالس ، مکان سایت یا فروشنده اسکنر دارد. [sc name="papertranslation"][/sc]