Employing similarity to highlight differences: On the impact of anatomical assumptions in chest X-ray registration methods

要約

胸部 X 線の所見の検出と解釈の両方を容易にするために、同じ患者の以前の画像との比較は、放射線科医にとって非常に重要です。
今日、胸部 X 線を自動的に検査する深層学習手法の最も一般的なアプローチは、患者の病歴を無視し、単一の画像のみを正常または異常として分類します。
それにもかかわらず、画像レジストレーションによる比較作業を支援するためのいくつかの方法が過去に提案されてきました。
ただし、ここで説明するように、心肥大や胸水などの特定の種類の病理学的変化を見逃す傾向があります。
固定された解剖学的構造またはそれらの位置合わせ品質の測定に関する仮定により、それらは不自然に変形したワープ フィールドを生成する傾向があり、移動画像と固定画像の差分画像の視覚化に影響を与えます。
これらの制限を克服するために、私たちは、解剖学の罰せられた登録のために個々の肋骨ペアのセグメンテーションに基づく新しいパラダイムを使用した最初の企業です。
25 未満の完全にラベル付けされたトレーニング画像と 50 未満の部分的にラベル付けされたトレーニング画像から始めて、シーケンシャル インスタンス メモリ セグメンテーションを使用して、対になった公開画像の大規模なデータ セットで他の方法が見落としているものを視覚化できる、深層学習を利用したソリューションを開発できることを示します。
ホール ドロップアウト、弱いラベリング、粗微調整、ガウス混合モデル ヒストグラム マッチング。
SOTA に対する私たちの方法の利点を統計的に評価し、胸部 X 線の登録に現在使用されている測定基準の限界を強調します。

要約(オリジナル)

To facilitate both the detection and the interpretation of findings in chest X-rays, comparison with a previous image of the same patient is very valuable to radiologists. Today, the most common approach for deep learning methods to automatically inspect chest X-rays disregards the patient history and classifies only single images as normal or abnormal. Nevertheless, several methods for assisting in the task of comparison through image registration have been proposed in the past. However, as we illustrate, they tend to miss specific types of pathological changes like cardiomegaly and effusion. Due to assumptions on fixed anatomical structures or their measurements of registration quality they tend to produce unnaturally deformed warp fields impacting visualization of the difference image between moving and fixed images. To overcome these limitations, we are the first to use a new paradigm based on individual rib pair segmentation for anatomy penalized registration, which proves a natural way to limit folding of the warp field, especially beneficial for image pairs with large pathological changes. We show that it is possible to develop a deep learning powered solution that can visualize what other methods overlook on a large data set of paired public images, starting from less than 25 fully labeled and 50 partly labeled training images, employing sequential instance memory segmentation with hole dropout, weak labeling, coarse-to-fine refinement and Gaussian mixture model histogram matching. We statistically evaluate the benefits of our method over the SOTA and highlight the limits of currently used metrics for registration of chest X-rays.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google