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登録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 フィールドを生成し、移動画像と固定画像の違いの視覚化に影響を与えます。
解剖学の罰せられた登録のための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通じて、これらの制限を克服することを目指しています。
私たちの方法は、リブの重なりを25％以上増やしながら、ワープフィールドの折り畳み率を最新技術の1/6に制限する自然な方法であることが証明されており、他の方法では見落とされた病理学的変化を示す差分画像を示唆しています。
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、ホール ドロップアウト、弱いラベル付け、粗い
-微調整とガウス混合モデルのヒストグラム マッチング。
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指標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 produce unnaturally deformed warp fields impacting visualization of differences between moving and fixed images. We aim to overcome these limitations, through a new paradigm based on individual rib pair segmentation for anatomy penalized registration. Our method proves to be a natural way to limit the folding percentage of the warp field to 1/6 of the state of the art while increasing the overlap of ribs by more than 25%, implying difference images showing pathological changes overlooked by other methods. We develop an anatomically penalized convolutional multi-stage solution on the National Institutes of Health (NIH) data set, starting from less than 25 fully 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 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