Generalizable multi-task, multi-domain deep segmentation of sparse pediatric imaging datasets via multi-scale contrastive regularization and multi-joint anatomical priors

要約

小児の筋骨格系の臨床診断は、医用画像検査の分析に依存しています。
医療画像処理パイプラインでは、深層学習アルゴリズムを使用したセマンティックセグメンテーションにより、形態学的評価に不可欠な患者固有の3次元解剖学的モデルの自動生成が可能になります。
ただし、小児の画像リソースが不足していると、個々のディープセグメンテーションモデルの精度と一般化のパフォーマンスが低下する可能性があります。
この研究では、解剖学的構造の異なる部分から生じる複数のデータセットの結合に対して単一のセグメンテーションネットワークが最適化される新しいマルチタスク、マルチドメイン学習フレームワークを設計することを提案します。
以前のアプローチとは異なり、画像データセット間の共有機能を活用しながら、小児データの固有の不足を克服するために、複数の強度ドメインとセグメンテーションタスクを同時に検討します。
一般化機能をさらに改善するために、共有表現でドメイン固有のクラスターを促進することを目的としたマルチスケールの対照的な正則化、および解剖学的に一貫した予測を実施するための多関節の解剖学的事前確率とともに、自然画像分類からの転移学習スキームを採用しています。
足首、膝、および肩の関節の3つの希少な小児画像データセットを使用して、骨のセグメンテーションを実行するための貢献を評価します。
私たちの結果は、提案されたアプローチが、統計的に十分なマージンを持って、ダイスメトリックの個別、転送、および共有セグメンテーションスキームよりも優れていることを示しています。
提案されたモデルは、イメージングリソースのインテリジェントな使用と小児筋骨格系障害のより良い管理に向けて新しい視点をもたらします。

要約(オリジナル)

Clinical diagnosis of the pediatric musculoskeletal system relies on the analysis of medical imaging examinations. In the medical image processing pipeline, semantic segmentation using deep learning algorithms enables an automatic generation of patient-specific three-dimensional anatomical models which are crucial for morphological evaluation. However, the scarcity of pediatric imaging resources may result in reduced accuracy and generalization performance of individual deep segmentation models. In this study, we propose to design a novel multi-task, multi-domain learning framework in which a single segmentation network is optimized over the union of multiple datasets arising from distinct parts of the anatomy. Unlike previous approaches, we simultaneously consider multiple intensity domains and segmentation tasks to overcome the inherent scarcity of pediatric data while leveraging shared features between imaging datasets. To further improve generalization capabilities, we employ a transfer learning scheme from natural image classification, along with a multi-scale contrastive regularization aimed at promoting domain-specific clusters in the shared representations, and multi-joint anatomical priors to enforce anatomically consistent predictions. We evaluate our contributions for performing bone segmentation using three scarce and pediatric imaging datasets of the ankle, knee, and shoulder joints. Our results demonstrate that the proposed approach outperforms individual, transfer, and shared segmentation schemes in Dice metric with statistically sufficient margins. The proposed model brings new perspectives towards intelligent use of imaging resources and better management of pediatric musculoskeletal disorders.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google