Differentiable Topology-Preserved Distance Transform for Pulmonary Airway Segmentation

要約

詳細な肺気道セグメンテーションは、気管支内介入および末梢肺癌病変の治療にとって臨床的に重要なタスクです。
畳み込みニューラル ネットワーク (CNN) は医用画像解析の有望なツールですが、気管と主気管支がほとんどのボクセルを支配しているのに対し、大葉はほとんどのボクセルを支配しているため、著しく不均衡な特徴分布がある場合にはパフォーマンスが低下しています。
気管支と遠位分節気管支が占める割合はごくわずかです。
この論文では、気道セグメンテーションのパフォーマンスを向上させるために、微分可能なトポロジ保存距離変換 (DTPDT) フレームワークを提案します。
Topology-Preserved Surrogate (TPS) 学習戦略が最初に提案され、クラス内分布のトレーニングの進行状況を均等化します。
さらに、畳み込み距離変換 (CDT) は、改善された感度で破損現象を識別するように設計されており、予測とグラウンド トゥルースの間の距離マップの変動を最小限に抑えます。
提案された方法は、公開されている参照気道セグメンテーション データセットで検証されます。

要約(オリジナル)

Detailed pulmonary airway segmentation is a clinically important task for endobronchial intervention and treatment of peripheral lung cancer lesions. Convolutional Neural Networks (CNNs) are promising tools for medical image analysis but have been performing poorly for cases when there is a significantly imbalanced feature distribution, which is true for the airway data as the trachea and principal bronchi dominate most of the voxels whereas the lobar bronchi and distal segmental bronchi occupy only a small proportion. In this paper, we propose a Differentiable Topology-Preserved Distance Transform (DTPDT) framework to improve the performance of airway segmentation. A Topology-Preserved Surrogate (TPS) learning strategy is first proposed to equalize the training progress within-class distribution. Furthermore, a Convolutional Distance Transform (CDT) is designed to identify the breakage phenomenon with improved sensitivity, minimizing the variation of the distance map between the prediction and ground-truth. The proposed method is validated with the publicly available reference airway segmentation datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google