Tailored Multi-Organ Segmentation with Model Adaptation and Ensemble

要約

タイトル：モデル適応とアンサンブルによるカスタマイズされたマルチオルガンセグメンテーション

要約：

– マルチオルガンセグメンテーションとは、医療画像内の異なる臓器を識別し分離することを目的とした医療画像解析の基本的なタスクである。
– 深層学習の成功により、多臓器セグメンテーションタスクに広く採用されるようになったが、多臓器のアノテーションが高価であり、そのため学習データを得るのが難しいことが課題となっている。
– 本論文では、既存の単一臓器セグメンテーションモデルを組み合わせて、ターゲットデータセット上でマルチオルガンセグメンテーションモデルを開発することで、多臓器セグメンテーションのアノテーションに頼らない手法を提案する。
– そのために、モデル適応ステージとモデルアンサンブルステージの2つの段階から成る新しいデュアルステージ法を提案する。
– この方法は4つの腹部データセットでの広範な実験によって、既存の単一臓器セグメンテーションモデルを効果的に活用し、高精度なマルチオルガンセグメンテーションモデルを得ることができることを示している。

要約(オリジナル)

Multi-organ segmentation, which identifies and separates different organs in medical images, is a fundamental task in medical image analysis. Recently, the immense success of deep learning motivated its wide adoption in multi-organ segmentation tasks. However, due to expensive labor costs and expertise, the availability of multi-organ annotations is usually limited and hence poses a challenge in obtaining sufficient training data for deep learning-based methods. In this paper, we aim to address this issue by combining off-the-shelf single-organ segmentation models to develop a multi-organ segmentation model on the target dataset, which helps get rid of the dependence on annotated data for multi-organ segmentation. To this end, we propose a novel dual-stage method that consists of a Model Adaptation stage and a Model Ensemble stage. The first stage enhances the generalization of each off-the-shelf segmentation model on the target domain, while the second stage distills and integrates knowledge from multiple adapted single-organ segmentation models. Extensive experiments on four abdomen datasets demonstrate that our proposed method can effectively leverage off-the-shelf single-organ segmentation models to obtain a tailored model for multi-organ segmentation with high accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI