Deep Statistic Shape Model for Myocardium Segmentation

要約

心筋の正確なセグメンテーションとモーションエスティメーションは、クリニックの分野では常に重要であり、本質的に下流の診断に貢献しています。
ただし、既存の方法では、心筋セグメンテーションの形状の整合性が常に保証されるとは限りません。
さらに、モーションエスティメーションには、異なるフレームにわたる心筋領域での点の対応が必要です。
この論文では、形状の完全性と境界対応の維持の両方を備えた心筋セグメンテーションに焦点を当てるために、新しいエンドツーエンドの深い統計的形状モデルを提案します。
具体的には、心筋の形状は固定数の点で表され、その変動は主成分分析（PCA）によって抽出されます。
ディープニューラルネットワークは、変換パラメーター（アフィンと変形の両方）を予測するために使用され、次に、平均点群を画像ドメインにワープするために使用されます。
さらに、より正確な点群を学習するために、フレームワークにマスク監視を組み込むために、微分可能なレンダリングレイヤーが導入されています。
このようにして、提案された方法は、後処理なしで、解剖学的に合理的なセグメンテーションマスクを一貫して生成することができる。
さらに、予測された点群は、連続画像の境界対応を保証します。これは、心筋のモーションエスティメーションなどのダウンストリームタスクに貢献します。
いくつかのベンチマークデータセットで提案された方法の有効性を実証するために、いくつかの実験を実施します。

要約(オリジナル)

Accurate segmentation and motion estimation of myocardium have always been important in clinic field, which essentially contribute to the downstream diagnosis. However, existing methods cannot always guarantee the shape integrity for myocardium segmentation. In addition, motion estimation requires point correspondence on the myocardium region across different frames. In this paper, we propose a novel end-to-end deep statistic shape model to focus on myocardium segmentation with both shape integrity and boundary correspondence preserving. Specifically, myocardium shapes are represented by a fixed number of points, whose variations are extracted by Principal Component Analysis (PCA). Deep neural network is used to predict the transformation parameters (both affine and deformation), which are then used to warp the mean point cloud to the image domain. Furthermore, a differentiable rendering layer is introduced to incorporate mask supervision into the framework to learn more accurate point clouds. In this way, the proposed method is able to consistently produce anatomically reasonable segmentation mask without post processing. Additionally, the predicted point cloud guarantees boundary correspondence for sequential images, which contributes to the downstream tasks, such as the motion estimation of myocardium. We conduct several experiments to demonstrate the effectiveness of the proposed method on several benchmark datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google