Development of a Novel Machine Learning Model for Automatic Assessment of Quality of Transvaginal Ultrasound Images From Multi‐Annotator Labels
Notice bibliographique
Résumé
Objectives: Accurate diagnosis of pathology from ultrasound 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 transvaginal ultrasound (TVUS) image quality for gynaecological ultrasound. Method: Six imaging professionals (two sonographers, two gynaecological 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 labellers, we framed this problem as a multi-annotator noisy label problem. To address this, a new machine learning architecture was developed, combining a weighted ensemble algorithm to estimate consensus labels and a multi-axis vision transformer (MaxViT) to handle noisy labels, improving model accuracy in predicting image quality. Forty cases (120 images) were used for model training, while the remaining 10 cases (30 images) were reserved as a test set for model evaluation. Results: The novel machine learning architecture we created was able to successfully determine image quality with a validation accuracy of 80% and a macro average recall of 77%. This significantly improved upon the 57% accuracy of the baseline machine learning method (ResNet50). The MaxViTs were able to outperform human performance in most cases, with an accuracy of 80% surpassing four of the six human labellers. Conclusions: This novel machine learning model offers an automated method of assessing the quality of TVUS images. The tool has the potential to provide real-time feedback to those performing TVUS, reduce the need for repeated imaging, and improve the diagnosis of gynaecological pathology.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».