Anatomically constrained CT image translation for heterogeneous blood vessel segmentation

要約

造影CT（ceCT）画像中の血管などの解剖学的構造は、造影剤の拡散のばらつきのため、セグメンテーションが困難であることがある。ceCTと造影剤を使用しないCT画像を併用することで、セグメンテーション性能を向上させることができるが、その代償として二重の放射線被曝が必要となる。放射線量を制限するために、片方のモダリティを取得するのではなく、生成モデルを用いて合成することが考えられる。CycleGANのアプローチは、入手が困難なペアデータの必要性を軽減するため、最近特に注目されている。しかし、異なる視野のペアデータからスライスごとに生成された3Dボリュームを扱う場合、文献で示された素晴らしい性能にもかかわらず、まだ限界が残っている。我々は、このような状況において、構造的整合性に優れた高忠実度の画像を生成するためのCycleGANの拡張を発表する。我々は、自己教師付きボディレグレッサを適応させることにより、解剖学的制約と関心領域の自動選択を利用する。これらの制約により、解剖学的一貫性を強制し、解剖学的に対になった入力画像をアルゴリズムに与えることができる。その結果、ceCT画像とCT画像（およびその逆）の間の変換タスクにおいて、従来の手法と比較して質的および量的な改善を示す。

要約(オリジナル)

Anatomical structures such as blood vessels in contrast-enhanced CT (ceCT) images can be challenging to segment due to the variability in contrast medium diffusion. The combined use of ceCT and contrast-free (CT) CT images can improve the segmentation performances, but at the cost of a double radiation exposure. To limit the radiation dose, generative models could be used to synthesize one modality, instead of acquiring it. The CycleGAN approach has recently attracted particular attention because it alleviates the need for paired data that are difficult to obtain. Despite the great performances demonstrated in the literature, limitations still remain when dealing with 3D volumes generated slice by slice from unpaired datasets with different fields of view. We present an extension of CycleGAN to generate high fidelity images, with good structural consistency, in this context. We leverage anatomical constraints and automatic region of interest selection by adapting the Self-Supervised Body Regressor. These constraints enforce anatomical consistency and allow feeding anatomically-paired input images to the algorithm. Results show qualitative and quantitative improvements, compared to stateof-the-art methods, on the translation task between ceCT and CT images (and vice versa).

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL