Spatially Covariant Lesion Segmentation

要約

自然画像と比較して、医療画像は通常、より強い視覚パターンを示すため、ニューラル ネットワークに適切な事前分布を注入することで、リソースが限られた臨床アプリケーションに柔軟性と弾力性を追加します。
この論文では、計算効率を改善し、その間に病変セグメンテーションの精度を維持または向上させるために、空間的に共変なピクセル整列分類子 (SCP) を提案します。
SCP は、畳み込み演算によって課される空間的不変性の制約を緩和し、画像座標をネットワークの重みにマップする基になる暗黙的な関数を最適化します。そのパラメーターは、バックボーン ネットワークのトレーニングと共に取得され、後でネットワークの重みを生成して空間共変のコンテキスト情報を取得するために使用されます。
異なる画像モダリティからの 2 つの病変セグメンテーション タスクを使用して、提案された SCP の有効性と効率を示します。磁気共鳴画像法での白質高信号セグメンテーションと造影腹部コンピューター断層撮影法での肝腫瘍セグメンテーションです。
SCP を使用したネットワークは、GPU メモリ使用量、FLOP、およびネットワーク サイズを 23.8%、64.9%、および 74.7% 削減し、病変のセグメンテーションに関して同等またはそれ以上の精度を達成しました。

要約(オリジナル)

Compared to natural images, medical images usually show stronger visual patterns and therefore this adds flexibility and elasticity to resource-limited clinical applications by injecting proper priors into neural networks. In this paper, we propose spatially covariant pixel-aligned classifier (SCP) to improve the computational efficiency and meantime maintain or increase accuracy for lesion segmentation. SCP relaxes the spatial invariance constraint imposed by convolutional operations and optimizes an underlying implicit function that maps image coordinates to network weights, the parameters of which are obtained along with the backbone network training and later used for generating network weights to capture spatially covariant contextual information. We demonstrate the effectiveness and efficiency of the proposed SCP using two lesion segmentation tasks from different imaging modalities: white matter hyperintensity segmentation in magnetic resonance imaging and liver tumor segmentation in contrast-enhanced abdominal computerized tomography. The network using SCP has achieved 23.8%, 64.9% and 74.7% reduction in GPU memory usage, FLOPs, and network size with similar or better accuracy for lesion segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google