Unsupervised Domain Adaptation through Shape Modeling for Medical Image Segmentation

要約

形状情報は、医用画像中の臓器をセグメンテーションする際の強力かつ貴重な事前情報である。しかし、現在のほとんどの深層学習ベースのセグメンテーションアルゴリズムでは、形状情報が考慮されておらず、テクスチャに偏る可能性がある。我々は形状を明示的にモデル化し、それを用いて医用画像のセグメンテーションを支援することを目指している。これまでの手法では、特定の臓器の形状分布を学習するVariational Autoencoder（VAE）ベースのモデルを提案し、学習した形状分布にフィットさせることでセグメンテーション予測の品質を自動的に評価するために使用していた。これを基に、我々は現在のセグメンテーションパイプラインにVAEを取り入れることを目指す。具体的には、教師-生徒学習パラダイムの下で、擬似損失とVAE再構成損失に基づく教師なし領域適応パイプラインを新たに提案する。両損失は同時に最適化され、その結果、セグメンテーションタスクの性能を向上させることができる。3つのパブリックな膵臓セグメンテーションデータセットと2つのインハウスな膵臓セグメンテーションデータセットに対する広範な実験では、少なくとも2.8ポイントのDiceスコアの増加という一貫した改善を示し、医療画像セグメンテーションに対する教師なし領域適応のシナリオに我々の方法が有効であることを実証した。この研究が、医用画像処理における形状解析と幾何学的学習の発展につながることを期待している。

要約(オリジナル)

Shape information is a strong and valuable prior in segmenting organs in medical images. However, most current deep learning based segmentation algorithms have not taken shape information into consideration, which can lead to bias towards texture. We aim at modeling shape explicitly and using it to help medical image segmentation. Previous methods proposed Variational Autoencoder (VAE) based models to learn the distribution of shape for a particular organ and used it to automatically evaluate the quality of a segmentation prediction by fitting it into the learned shape distribution. Based on which we aim at incorporating VAE into current segmentation pipelines. Specifically, we propose a new unsupervised domain adaptation pipeline based on a pseudo loss and a VAE reconstruction loss under a teacher-student learning paradigm. Both losses are optimized simultaneously and, in return, boost the segmentation task performance. Extensive experiments on three public Pancreas segmentation datasets as well as two in-house Pancreas segmentation datasets show consistent improvements with at least 2.8 points gain in the Dice score, demonstrating the effectiveness of our method in challenging unsupervised domain adaptation scenarios for medical image segmentation. We hope this work will advance shape analysis and geometric learning in medical imaging.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL