Graph Convolution Based Cross-Network Multi-Scale Feature Fusion for Deep Vessel Segmentation

要約

血管のセグメンテーションは、血管疾患の診断に広く用いられている。既存の手法で再構成された血管は、臨床的な使用基準を満たすには十分な精度を有していないことが多い。これは、3次元血管構造が非常に複雑であり、スパース性や異方性などのユニークな特性を示すためである。本論文では、血管セグメンテーションのための新しいハイブリッドディープニューラルネットワークを提案する。本ネットワークは、初期セグメンテーションと精緻化セグメンテーションをそれぞれ行う2つのカスケード型サブネットワークから構成される。2番目のサブネットワークはさらに、伝統的なCNNベースのU-NetとグラフU-Netの2つの緊密に結合したコンポーネントを持っている。この2つのU型ネットワーク間でクロスネットワークによるマルチスケール特徴量フュージョンが実行され、高品質な血管セグメンテーションを効果的にサポートする。カスケード接続されたネットワーク全体は、端から端まで学習することができる。第2サブネットワークのグラフは、血管の確率マップと、オリジナルのCTボリュームにおける外観と意味の類似性に基づいて構築される。血管の疎密と異方性による課題に取り組むため、グラフのノードは血管を含む可能性のある領域に高い割合で分布し、エッジの高い割合は近接する血管の可能性のある方向に従う。このディープネットワークは、複数の公共および社内データセットにおいて、最先端の3D血管セグメンテーション性能を達成することが、広範な実験により実証されている。

要約(オリジナル)

Vessel segmentation is widely used to help with vascular disease diagnosis. Vessels reconstructed using existing methods are often not sufficiently accurate to meet clinical use standards. This is because 3D vessel structures are highly complicated and exhibit unique characteristics, including sparsity and anisotropy. In this paper, we propose a novel hybrid deep neural network for vessel segmentation. Our network consists of two cascaded subnetworks performing initial and refined segmentation respectively. The second subnetwork further has two tightly coupled components, a traditional CNN-based U-Net and a graph U-Net. Cross-network multi-scale feature fusion is performed between these two U-shaped networks to effectively support high-quality vessel segmentation. The entire cascaded network can be trained from end to end. The graph in the second subnetwork is constructed according to a vessel probability map as well as appearance and semantic similarities in the original CT volume. To tackle the challenges caused by the sparsity and anisotropy of vessels, a higher percentage of graph nodes are distributed in areas that potentially contain vessels while a higher percentage of edges follow the orientation of potential nearbyvessels. Extensive experiments demonstrate our deep network achieves state-of-the-art 3D vessel segmentation performance on multiple public and in-house datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL