Using the Polar Transform for Efficient Deep Learning-Based Aorta Segmentation in CTA Images

要約

医療画像のセグメンテーションでは、多くの場合、単一の画像上で複数の楕円形のオブジェクトをセグメント化する必要があります。
これには、他のタスクの中でも、アキシャルCTAスライスでの大動脈などの血管のセグメント化が含まれます。
この論文では、これらのタスクにおけるニューラルネットワークのセマンティックセグメンテーションパフォーマンスを改善するための一般的なアプローチを提示し、大動脈セグメンテーションのタスクに関するアプローチを検証します。
2つのニューラルネットワークのカスケードを使用します。1つはU-Netアーキテクチャに基づいて大まかなセグメンテーションを実行し、もう1つは入力の極座標画像変換で最終的なセグメンテーションを実行します。
大まかなセグメンテーションの連結成分分析を使用して極変換を構築し、ヒステリシスしきい値を使用して同じ画像の複数の変換に関する予測を融合します。
この方法は、複雑なニューラルネットワークアーキテクチャを必要とせずに大動脈セグメンテーションのパフォーマンスを向上させることを示しています。
さらに、私たちのアプローチは、最新技術に沿ったセグメンテーションパフォーマンスを達成しながら、堅牢性とピクセルレベルのリコールを改善することを示しています。

要約(オリジナル)

Medical image segmentation often requires segmenting multiple elliptical objects on a single image. This includes, among other tasks, segmenting vessels such as the aorta in axial CTA slices. In this paper, we present a general approach to improving the semantic segmentation performance of neural networks in these tasks and validate our approach on the task of aorta segmentation. We use a cascade of two neural networks, where one performs a rough segmentation based on the U-Net architecture and the other performs the final segmentation on polar image transformations of the input. Connected component analysis of the rough segmentation is used to construct the polar transformations, and predictions on multiple transformations of the same image are fused using hysteresis thresholding. We show that this method improves aorta segmentation performance without requiring complex neural network architectures. In addition, we show that our approach improves robustness and pixel-level recall while achieving segmentation performance in line with the state of the art.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google