Automatic Semantic Segmentation of the Lumbar Spine: Clinical Applicability in a Multi-parametric and Multi-centre Study on Magnetic Resonance Images

要約

医療画像のセグメンテーションにおける大きな困難の一つは、これらの画像の高い変動性である。これは、その起源（多施設）、取得プロトコル（マルチパラメトリック）、さらに人体構造の変動、病気の重症度、年齢や性別などの影響によるものである。この研究で扱う問題は、畳み込みニューラルネットワークを用いた腰椎MRI画像の自動的な意味論的セグメンテーションである。その目的は、画像の各画素にクラスラベルを割り当てることである。クラスは放射線科医によって定義され、椎骨、椎間板、神経、血管、その他の組織のような異なる構造要素に対応する。提案するネットワークトポロジは、U-Netアーキテクチャの変形である。変種を定義するために、いくつかの補完的なブロックが用いられた。3種類の畳み込みブロック、空間的注意モデル、深層監視、マルチレベル特徴抽出器。本書では、これらのトポロジーを説明し、最も正確なセグメンテーションが得られたニューラルネットワークの設計の結果を分析する。提案されたデザインのいくつかは、特に複数のニューラルネットワークの出力を異なる戦略に従って組み合わせるアンサンブルで使用した場合、ベースラインとして使用した標準的なU-Netを上回る性能を示した。

要約(オリジナル)

One of the major difficulties in medical image segmentation is the high variability of these images, which is caused by their origin (multi-centre), the acquisition protocols (multi-parametric), as well as the variability of human anatomy, the severity of the illness, the effect of age and gender, among others. The problem addressed in this work is the automatic semantic segmentation of lumbar spine Magnetic Resonance images using convolutional neural networks. The purpose is to assign a class label to each pixel of an image. Classes were defined by radiologists and correspond to different structural elements like vertebrae, intervertebral discs, nerves, blood vessels, and other tissues. The proposed network topologies are variants of the U-Net architecture. Several complementary blocks were used to define the variants: Three types of convolutional blocks, spatial attention models, deep supervision and multilevel feature extractor. This document describes the topologies and analyses the results of the neural network designs that obtained the most accurate segmentations. Several of the proposed designs outperform the standard U-Net used as baseline, especially when used in ensembles where the output of multiple neural networks is combined according to different strategies.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL