MESAHA-Net: Multi-Encoders based Self-Adaptive Hard Attention Network with Maximum Intensity Projections for Lung Nodule Segmentation in CT Scan

要約

【タイトル】CTスキャンでの肺結節セグメンテーションを最大強度射影を用いたマルチエンコーダーに基づく自己適応ハードアテンションネットワークで実現するMESAHA-Net

【要約】
– 肺結節の正確なセグメンテーションは、早期診断において重要であり、患者の生存率を大幅に向上させることができる。
– 肺結節の解析には、コンピュータ断層撮影（CT）画像が広く用いられているが、肺結節の異質性、大きさの多様性、周囲の環境の複雑さにより、堅牢なセグメンテーション手法の開発に課題がある。
– 本研究では、CTスキャンでの正確な肺結節セグメンテーションのための、マルチエンコーダーに基づく自己適応ハードアテンションネットワーク（MESAHA-Net）を提案する。
– MESAHA-Netは、3つのエンコードパス、アテンションブロック、デコーダブロックから構成され、CTスライスパッチ、前方および後方の最大強度射影（MIP）画像、および結節を囲む関心領域（ROI）マスクという3種類の入力を統合することができる。
– 新しい適応ハードアテンションメカニズムを採用することで、MESAHA-Netはスライスごとに2Dセグメンテーションを反復的に実行し、各スライスで結節領域に焦点を合わせ、肺結節の3D容積セグメンテーションを生成することができる。
– 提案されたフレームワークは、肺結節セグメンテーションの最大の公開データセットであるLIDC-IDRIデータセットで包括的に評価され、各種の肺結節に対して高い堅牢性を持ち、セグメンテーションの精度や計算量の面で従来の最先端技術を上回り、リアルタイムの臨床実装に適していることが示された。

要約(オリジナル)

Accurate lung nodule segmentation is crucial for early-stage lung cancer diagnosis, as it can substantially enhance patient survival rates. Computed tomography (CT) images are widely employed for early diagnosis in lung nodule analysis. However, the heterogeneity of lung nodules, size diversity, and the complexity of the surrounding environment pose challenges for developing robust nodule segmentation methods. In this study, we propose an efficient end-to-end framework, the multi-encoder-based self-adaptive hard attention network (MESAHA-Net), for precise lung nodule segmentation in CT scans. MESAHA-Net comprises three encoding paths, an attention block, and a decoder block, facilitating the integration of three types of inputs: CT slice patches, forward and backward maximum intensity projection (MIP) images, and region of interest (ROI) masks encompassing the nodule. By employing a novel adaptive hard attention mechanism, MESAHA-Net iteratively performs slice-by-slice 2D segmentation of lung nodules, focusing on the nodule region in each slice to generate 3D volumetric segmentation of lung nodules. The proposed framework has been comprehensively evaluated on the LIDC-IDRI dataset, the largest publicly available dataset for lung nodule segmentation. The results demonstrate that our approach is highly robust for various lung nodule types, outperforming previous state-of-the-art techniques in terms of segmentation accuracy and computational complexity, rendering it suitable for real-time clinical implementation.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI