EP24.18: A novel machine learning model for automatic assessment of quality of transvaginal ultrasound images
Notice bibliographique
Résumé
Accurate diagnosis of endometriosis from transvaginal ultrasound (TVUS) images is reliant upon images of a suitable diagnostic quality being acquired. This study aimed to create a novel machine learning model to automatically assess TVUS image quality. Six imaging professionals (two sonographers, two gynecological sonologists and two radiologists) assigned a quality score to 150 TVUS images from 50 cases (50 uterus images and 100 ovary images). Images were given a score of 1-4 (1- reject/ image inaccurate, 2- poor quality, 3- suboptimal quality or 4- optimal quality). As variation existed between the scores assigned by the raters, we treated this problem as a multi-rater noisy label problem. Using these scores, a new machine learning architecture was created. We used majority-voting to process multi-annotations into a single annotation by assessing label consistency to train the relabelling model. We then re-labelled the dataset with Crowdlab before finetuning a pretrained ViT model on the generated labels. A multi-axis vision transformer was then trained to further improve the image quality assessment process. Forty cases (120 images with various quality scores) were used to train the model. The remaining 10 cases (30 images with various quality scores) were reserved, for evaluation of the model. This novel machine learning architecture was able to successfully determine image quality. Our best model (weighted ensemble) produced an accuracy of 80% and 0.77 on Macro Average R-squared. Our novel machine learning model offers an automated method of assessing the quality of TVUS images. With further refinement, accuracy may be improved, and this tool could be used to provide feedback to those learning to perform TVUS. Potential also exists for this tool to provide quality thresholding for TVUS images which may be used in AI models for the purpose of image interpretation for the diagnosis of endometriosis and other gynecological pathologies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».