Refine
Has Fulltext
- yes (2)
Is part of the Bibliography
- yes (2)
Document Type
- Journal article (1)
- Doctoral Thesis (1)
Keywords
- augmentation (2) (remove)
Sensitivity analysis for interpretation of machine learning based segmentation models in cardiac MRI
(2021)
Background
Image segmentation is a common task in medical imaging e.g., for volumetry analysis in cardiac MRI. Artificial neural networks are used to automate this task with performance similar to manual operators. However, this performance is only achieved in the narrow tasks networks are trained on. Performance drops dramatically when data characteristics differ from the training set properties. Moreover, neural networks are commonly considered black boxes, because it is hard to understand how they make decisions and why they fail. Therefore, it is also hard to predict whether they will generalize and work well with new data. Here we present a generic method for segmentation model interpretation. Sensitivity analysis is an approach where model input is modified in a controlled manner and the effect of these modifications on the model output is evaluated. This method yields insights into the sensitivity of the model to these alterations and therefore to the importance of certain features on segmentation performance.
Results
We present an open-source Python library (misas), that facilitates the use of sensitivity analysis with arbitrary data and models. We show that this method is a suitable approach to answer practical questions regarding use and functionality of segmentation models. We demonstrate this in two case studies on cardiac magnetic resonance imaging. The first case study explores the suitability of a published network for use on a public dataset the network has not been trained on. The second case study demonstrates how sensitivity analysis can be used to evaluate the robustness of a newly trained model.
Conclusions
Sensitivity analysis is a useful tool for deep learning developers as well as users such as clinicians. It extends their toolbox, enabling and improving interpretability of segmentation models. Enhancing our understanding of neural networks through sensitivity analysis also assists in decision making. Although demonstrated only on cardiac magnetic resonance images this approach and software are much more broadly applicable.
Es ist bekannt, dass durch chirurgische Modifikation des Transplantatlagers eine Atrophie des knöchernen Transplantats bzw. Augmentats in der Mund- Kiefer- und Gesichtschirurgie verhindert bzw. verringert werden kann. Ziel der vorliegenden Studie war es, die Rolle des oxidativen Stresses nach Augmentation von autologem Knochen im Bereich des lateralen Unterkiefers zu verschiedenen Konditionierungen in vivo im Schafmodell zu untersuchen. Zu diesem Zweck wurde eine Konditionierung mit Bio-Gide®-Membran und Bio-Oss® als „Nicht-Atrophie-Gruppe“ bezeichnet, da klinisch keine Atrophie des autologen Knochentransplantates zu erkennen war, und der „Atrophie-Gruppe“ gegenübergestellt, welche sich aus vier anderen Konditionierungen zusammensetzte: Konditionierung I: Kortikospongiosa + Schraubenfixation; Konditionierung II: Perforation des Transplantatlagers + Schraubenfixation; Konditionierung III: Schraubenfixation + Periostexzision; Konditionierung IV: Schraubenfixation + Membran. Nach klinischer Auswertung wurden Paraffinschnitte hergestellt und immunhistochemisch angefärbt, um die Auswirkungen der unterschiedlichen Konditionierungsgruppen (Nicht-Atrophie-Gruppe vs. Atrophie-Gruppe) und der zeitlichen Komponente (4 – 8 Wochen vs. 12 – 16 Wochen Einheilzeit) auf die Expression von oxidativem Stress innerhalb der verschiedenen Knochenzellen (Osteozyten, Osteoblasten und Osteoklasten) zu untersuchen. Da sich die Auswirkungen des oxidativen Stresses über den MAPK-Weg bzw. den PKB-Signalweg manifestieren können, wurde die Aktivierung dieser Signalwege mittels Antikörper gegen pERK und pAKT überprüft. Bei Nitrotyrosin und 8-Isoprostan handelt es sich um stabile Folgeprodukte von freien Radikalen. Sie dienen somit als direkte Biomarker von oxidativem Stress und wurden ebenfalls mit entsprechenden Antikörpern immunhistochemisch angefärbt. Des Weiteren wurden die Gefäßanzahl in Bindegewebe und Knochen sowie die Anfärbung und Menge des Bindegewebes im Augmentationsbereich in Abhängigkeit von den gleichen Parametern wie oben beschrieben verglichen.