Improving Small Lesion Segmentation in CT Scans using Intensity Distribution Supervision: Application to Small Bowel Carcinoid Tumor

要約

小さな病変を見つけることは、目立った機能の欠如、深刻なクラスの不均衡、およびサイズ自体のために非常に困難です.
小さな病変のセグメンテーションを改善する 1 つのアプローチは、関心領域を縮小し、領域全体に対して実行するのではなく、より高い感度で検査することです。
これは通常、臓器と病変の連続的または共同のセグメンテーションとして実装されます。これには、臓器のセグメンテーションに関する追加の監視が必要です。
代わりに、追加のラベル付けコストなしでターゲット病変の強度分布を利用して、病変が位置する可能性のある領域を背景から効果的に分離することを提案します。
補助タスクとしてネットワークトレーニングに組み込まれています。
提案した手法を CT スキャンにおける小腸カルチノイド腫瘍のセグメンテーションに適用しました。
すべての指標で改善が見られました (グローバル、ケースごと、腫瘍ごとの Dice スコアで、それぞれ 33.5% $\rightarrow$ 38.2%、41.3% $\rightarrow$ 47.8%、30.0% $\rightarrow$ 35.9%)。
これは、私たちのアイデアの有効性を証明しています。
私たちの方法は、ネットワークトレーニングでターゲットの強度分布情報を明示的に組み込むための1つのオプションになります。

要約(オリジナル)

Finding small lesions is very challenging due to lack of noticeable features, severe class imbalance, as well as the size itself. One approach to improve small lesion segmentation is to reduce the region of interest and inspect it at a higher sensitivity rather than performing it for the entire region. It is usually implemented as sequential or joint segmentation of organ and lesion, which requires additional supervision on organ segmentation. Instead, we propose to utilize an intensity distribution of a target lesion at no additional labeling cost to effectively separate regions where the lesions are possibly located from the background. It is incorporated into network training as an auxiliary task. We applied the proposed method to segmentation of small bowel carcinoid tumors in CT scans. We observed improvements for all metrics (33.5% $\rightarrow$ 38.2%, 41.3% $\rightarrow$ 47.8%, 30.0% $\rightarrow$ 35.9% for the global, per case, and per tumor Dice scores, respectively.) compared to the baseline method, which proves the validity of our idea. Our method can be one option for explicitly incorporating intensity distribution information of a target in network training.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google