Lymphoma segmentation from 3D PET-CT images using a deep evidential network

要約

デンプスターシェーファー理論と深層学習に基づく自動証拠セグメンテーション法を提案して、3次元陽電子放出断層撮影（PET）およびコンピューター断層撮影（CT）画像からリンパ腫をセグメント化します。
このアーキテクチャは、深い特徴抽出モジュールと証拠層で構成されています。
特徴抽出モジュールは、エンコーダーデコーダーフレームワークを使用して、3D入力から意味的特徴ベクトルを抽出します。
次に、証拠層は、特徴空間のプロトタイプを使用して、各ボクセルでの信念関数を計算し、この場所でのリンパ腫の有無に関する不確実性を定量化します。
質量関数を計算するためにプロトタイプまでの距離を使用するさまざまな方法に基づいて、2つの証拠層が比較されます。
モデル全体は、ダイス損失関数を最小化することによってエンドツーエンドでトレーニングされます。
深層特徴抽出と証拠セグメンテーションの提案された組み合わせは、173人の患者のデータセットでベースラインUNetモデルおよび他の3つの最先端モデルよりも優れていることが示されています。

要約(オリジナル)

An automatic evidential segmentation method based on Dempster-Shafer theory and deep learning is proposed to segment lymphomas from three-dimensional Positron Emission Tomography (PET) and Computed Tomography (CT) images. The architecture is composed of a deep feature-extraction module and an evidential layer. The feature extraction module uses an encoder-decoder framework to extract semantic feature vectors from 3D inputs. The evidential layer then uses prototypes in the feature space to compute a belief function at each voxel quantifying the uncertainty about the presence or absence of a lymphoma at this location. Two evidential layers are compared, based on different ways of using distances to prototypes for computing mass functions. The whole model is trained end-to-end by minimizing the Dice loss function. The proposed combination of deep feature extraction and evidential segmentation is shown to outperform the baseline UNet model as well as three other state-of-the-art models on a dataset of 173 patients.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google