Score-Based Generative Models for Medical Image Segmentation using Signed Distance Functions

要約

医用画像のセグメンテーションは、画像内の関心領域を正確に識別して分離する機能に依存する重要なタスクです。
これにより、生成的アプローチにより、それぞれの医用画像に依存するセグメンテーション マスクの統計的特性を取得できます。
この作業では、符号付き距離関数を活用してセグメンテーション マスクの暗黙的でスムーズな分布を表す条件付きスコアベースの生成モデリング フレームワークを提案します。
セグメンテーション マスクの条件付き分布のスコア関数は、条件付きノイズ除去プロセスで学習され、正確なセグメンテーション マスクを生成するために効果的に使用できます。
さらに、不確実性マップを生成できます。これは、さらなる分析に役立ち、予測のロバスト性を高めます。
公開されている核と腺のセグメンテーション データ セットに対する提案された方法の競争力のあるパフォーマンスを定性的および定量的に示し、医療画像セグメンテーション アプリケーションでの潜在的な有用性を強調します。

要約(オリジナル)

Medical image segmentation is a crucial task that relies on the ability to accurately identify and isolate regions of interest in images. Thereby, generative approaches allow to capture the statistical properties of segmentation masks that are dependent on the respective medical images. In this work we propose a conditional score-based generative modeling framework that leverages the signed distance function to represent an implicit and smoother distribution of segmentation masks. The score function of the conditional distribution of segmentation masks is learned in a conditional denoising process, which can be effectively used to generate accurate segmentation masks. Moreover, uncertainty maps can be generated, which can aid in further analysis and thus enhance the predictive robustness. We qualitatively and quantitatively illustrate competitive performance of the proposed method on a public nuclei and gland segmentation data set, highlighting its potential utility in medical image segmentation applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google