Detection and Segmentation of Pancreas using Morphological Snakes and Deep Convolutional Neural Networks

要約

膵臓がんは最も死亡率の高いがんの 1 つであり、診断された患者の 25% が 1 年しか生存できず、6% が 5 年生存します。
コンピューター断層撮影 (CT) スクリーニング試験は、膵臓がんの早期発見を改善する上で重要な役割を果たしており、患者の生存率が大幅に改善されています。
ただし、このような画像の高度な分析には、多くの場合、時間のかかるタスクである膵臓の手動セグメンテーションが必要です。
さらに、膵臓は形状の変動性が高く、腹部 CT スキャン全体の非常に小さな領域しか占有しないため、問題が複雑になります。
ディープ ラーニングの急速な発展は、ドメインの専門家を導くことができる、安価で正確な、ユーザーに依存しないセグメンテーション結果を提供する堅牢なアルゴリズムの提供に貢献できます。
この論文は、膵臓のセグメンテーションのための 2 段階のアプローチを調査することによって、このタスクに対処し、事前の大まかなローカリゼーションまたは膵臓の検出を使用してタスクを支援します。
この膵臓の大まかな局在化は推定確率マップによって提供され、検出タスクは YOLOv4 深層学習アルゴリズムを使用して達成されます。
セグメンテーション タスクは、トリミングされたデータに適用される変更された U-Net モデルと、形態学的アクティブ コンター アルゴリズムを使用して取り組まれます。
比較のために、U-Net モデルも完全な CT 画像に適用され、参照として機能する粗い膵臓セグメンテーションを提供します。
国立衛生研究所 (NIH) のデータセットと、Medical Segmentation Decathlon 内の膵臓腫瘍タスク データセットの検出ネットワークの実験結果は、50.67% の平均精度を示しています。
最高のセグメンテーション ネットワークは、NIH データセットで良好なセグメンテーション結果を達成し、67.67% のダイス スコアに達しました。

要約(オリジナル)

Pancreatic cancer is one of the deadliest types of cancer, with 25% of the diagnosed patients surviving for only one year and 6% of them for five. Computed tomography (CT) screening trials have played a key role in improving early detection of pancreatic cancer, which has shown significant improvement in patient survival rates. However, advanced analysis of such images often requires manual segmentation of the pancreas, which is a time-consuming task. Moreover, pancreas presents high variability in shape, while occupying only a very small area of the entire abdominal CT scans, which increases the complexity of the problem. The rapid development of deep learning can contribute to offering robust algorithms that provide inexpensive, accurate, and user-independent segmentation results that can guide the domain experts. This dissertation addresses this task by investigating a two-step approach for pancreas segmentation, by assisting the task with a prior rough localization or detection of pancreas. This rough localization of the pancreas is provided by an estimated probability map and the detection task is achieved by using the YOLOv4 deep learning algorithm. The segmentation task is tackled by a modified U-Net model applied on cropped data, as well as by using a morphological active contours algorithm. For comparison, the U-Net model was also applied on the full CT images, which provide a coarse pancreas segmentation to serve as reference. Experimental results of the detection network on the National Institutes of Health (NIH) dataset and the pancreas tumour task dataset within the Medical Segmentation Decathlon show 50.67% mean Average Precision. The best segmentation network achieved good segmentation results on the NIH dataset, reaching 67.67% Dice score.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google