Vertebrae localization, segmentation and identification using a graph optimization and an anatomic consistency cycle

要約

CT画像での椎骨の位置特定、セグメンテーション、および識別は、多くの臨床アプリケーションの鍵となります。
ディープラーニング戦略により、この分野では近年大幅な改善が見られましたが、トレーニングデータセットでの表現が不十分なため、過渡的および病理学的な椎骨は依然としてほとんどの既存のアプローチを悩ませています。
あるいは、提案された非学習ベースの方法は、そのような特定のケースを処理するために事前の知識を利用します。
この作業では、両方の戦略を組み合わせることを提案します。
この目的のために、個々の椎骨が再帰的にローカライズされ、セグメント化され、ディープネットワークを使用して識別され、解剖学的一貫性が統計的事前確率を使用して実施される反復サイクルを導入します。
この戦略では、移行椎骨の識別は、局所的な深部ネットワークの予測を解剖学的に一貫した最終結果に集約するグラフィカルモデルでそれらの構成をエンコードすることによって処理されます。
私たちのアプローチは、VerSe20チャレンジベンチマークで最先端の結果を達成し、VerSe19チャレンジベンチマークへの一般化だけでなく、移行椎骨のすべての方法よりも優れています。
さらに、私たちの方法は、解剖学的一貫性の事前条件を満たさない一貫性のない脊椎領域を検出して報告することができます。
私たちのコードとモデルは、研究目的で公開されています。

要約(オリジナル)

Vertebrae localization, segmentation and identification in CT images is key to numerous clinical applications. While deep learning strategies have brought to this field significant improvements over recent years, transitional and pathological vertebrae are still plaguing most existing approaches as a consequence of their poor representation in training datasets. Alternatively, proposed non-learning based methods take benefit of prior knowledge to handle such particular cases. In this work we propose to combine both strategies. To this purpose we introduce an iterative cycle in which individual vertebrae are recursively localized, segmented and identified using deep-networks, while anatomic consistency is enforced using statistical priors. In this strategy, the transitional vertebrae identification is handled by encoding their configurations in a graphical model that aggregates local deep-network predictions into an anatomically consistent final result. Our approach achieves state-of-the-art results on the VerSe20 challenge benchmark, and outperforms all methods on transitional vertebrae as well as the generalization to the VerSe19 challenge benchmark. Furthermore, our method can detect and report inconsistent spine regions that do not satisfy the anatomic consistency priors. Our code and model are openly available for research purposes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google