Curvilinear object segmentation in medical images based on ODoS filter and deep learning network

要約

医用画像における曲線オブジェクトの自動セグメンテーションは、人間の病気の診断と評価において重要な役割を果たしますが、さまざまな画像の外観、曲線オブジェクトとその周囲の背景との間のコントラストの低さなどのさまざまな問題により、複雑なセグメンテーション タスクにとって困難な不確実性があります。
、薄く不均一な曲線構造、および不適切な背景照明。
これらの課題を克服するために、医療画像の曲線オブジェクト セグメンテーションのためのスティック (ODoS) フィルターとディープ ラーニング ネットワークの方向性導関数に基づく独自の曲線構造セグメンテーション フレームワークを提示します。
現在、ディープ ラーニング モデルの多くは、ディープ アーキテクチャの開発に重点を置いており、曲率オブジェクトの構造的特徴のキャプチャを無視しているため、満足のいく結果が得られない可能性があります。
その結果、ODos フィルターをディープ ラーニング ネットワークの一部として組み込む新しいアプローチが提示され、曲線オブジェクトの空間的注意が向上します。
元の画像は、さまざまな画像の外観と複雑な背景照明を説明する主要部分と見なされます。多段階戦略を使用して、曲線オブジェクトとその周囲の背景との間のコントラストを強調し、ベクトル フィールドを適用して、薄い凹凸を識別します。
曲線構造。
その後、深層学習フレームワークを使用して、医用画像の曲線オブジェクト セグメンテーション用のさまざまな構造的特徴を抽出します。
計算モデルのパフォーマンスは、公開されている DRIVE、STARE、および CHASEDB1 データセットを使用した実験で検証されました。
実験結果は、提示されたモデルがいくつかの最先端の方法と比較して驚くべき結果をもたらしたことを示しています。

要約(オリジナル)

Automatic segmentation of curvilinear objects in medical images plays an important role in the diagnosis and evaluation of human diseases, yet it is a challenging uncertainty for the complex segmentation task due to different issues like various image appearance, low contrast between curvilinear objects and their surrounding backgrounds, thin and uneven curvilinear structures, and improper background illumination. To overcome these challenges, we present a unique curvilinear structure segmentation framework based on oriented derivative of stick (ODoS) filter and deep learning network for curvilinear object segmentation in medical images. Currently, a large number of deep learning models emphasis on developing deep architectures and ignore capturing the structural features of curvature objects, which may lead to unsatisfactory results. In consequence, a new approach that incorporates the ODoS filter as part of a deep learning network is presented to improve the spatial attention of curvilinear objects. In which, the original image is considered as principal part to describe various image appearance and complex background illumination, the multi-step strategy is used to enhance contrast between curvilinear objects and their surrounding backgrounds, and the vector field is applied to discriminate thin and uneven curvilinear structures. Subsequently, a deep learning framework is employed to extract varvious structural features for curvilinear object segmentation in medical images. The performance of the computational model was validated in experiments with publicly available DRIVE, STARE and CHASEDB1 datasets. Experimental results indicate that the presented model has yielded surprising results compared with some state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google