Diffusion Model based Semi-supervised Learning on Brain Hemorrhage Images for Efficient Midline Shift Quantification

要約

脳正中線シフト (MLS) は、頭蓋内出血の臨床診断と治療の意思決定で考慮すべき最も重要な要因の 1 つです。
MLS 定量化に関する既存の計算方法は、ミリメートル レベルの測定で集中的なラベリングを必要とするだけでなく、特定のランドマークや単純化された解剖学的仮定に依存しているため、パフォーマンスが低下します。
この論文では、頭部 CT スキャンから MLS のスケールを正確に測定するための新しい半教師付きフレームワークを提案します。
MLS 測定タスクを変形推定問題として定式化し、スパース ラベルを持ついくつかの MLS スライスを使用して解決します。
一方、拡散モデルの助けを借りて、多数のラベルのない MLS データと 2793 の非 MLS ケースを表現学習と正則化に使用できます。
抽出された表現は、画像が非 MLS 画像とどのように異なるかを反映しており、正則化は変形フィールドの疎から密への改良において重要な役割を果たします。
実際の臨床脳出血データセットに関する私たちの実験は、最先端のパフォーマンスを達成し、解釈可能な変形フィールドを生成できます。

要約(オリジナル)

Brain midline shift (MLS) is one of the most critical factors to be considered for clinical diagnosis and treatment decision-making for intracranial hemorrhage. Existing computational methods on MLS quantification not only require intensive labeling in millimeter-level measurement but also suffer from poor performance due to their dependence on specific landmarks or simplified anatomical assumptions. In this paper, we propose a novel semi-supervised framework to accurately measure the scale of MLS from head CT scans. We formulate the MLS measurement task as a deformation estimation problem and solve it using a few MLS slices with sparse labels. Meanwhile, with the help of diffusion models, we are able to use a great number of unlabeled MLS data and 2793 non-MLS cases for representation learning and regularization. The extracted representation reflects how the image is different from a non-MLS image and regularization serves an important role in the sparse-to-dense refinement of the deformation field. Our experiment on a real clinical brain hemorrhage dataset has achieved state-of-the-art performance and can generate interpretable deformation fields.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google