SCOPE: Structural Continuity Preservation for Medical Image Segmentation

要約

タイトル：医用画像セグメンテーションのための構造的連続性保存のスコープ
要約：

– 医療画像セグメンテーションにおいて形状の連続性と生理学的解剖学の保存が自然な仮定であるにもかかわらず、これは深層学習方法によってしばしば無視されている。
– 生物学的構造において、臓器は別々の存在ではなく、切断された血管は潜在的な問題の指標であるが、従来のセグメンテーションモデルは厳密に解剖学の連続性を強制するように設計されていないため、不正確な医療診断を引き起こす可能性がある。
– この問題を解決するために、我々は医療画像の解剖学的トポロジーの連続性と連結性を強制するグラフベースのアプローチを提案する。
– 我々の手法は、形状の連続性をグラフ制約としてエンコードし、ネットワークの予測がこの連続性を維持するように保証する。
– 我々は、網膜血管セグメンテーションの2つの公開ベンチマークで我々の手法を評価し、従来の手法と比較して連結度指標において有意な改善を示し、セグメンテーション指標においてはより良いまたは同等のパフォーマンスを得る。

要約(オリジナル)

Although the preservation of shape continuity and physiological anatomy is a natural assumption in the segmentation of medical images, it is often neglected by deep learning methods that mostly aim for the statistical modeling of input data as pixels rather than interconnected structures. In biological structures, however, organs are not separate entities; for example, in reality, a severed vessel is an indication of an underlying problem, but traditional segmentation models are not designed to strictly enforce the continuity of anatomy, potentially leading to inaccurate medical diagnoses. To address this issue, we propose a graph-based approach that enforces the continuity and connectivity of anatomical topology in medical images. Our method encodes the continuity of shapes as a graph constraint, ensuring that the network’s predictions maintain this continuity. We evaluate our method on two public benchmarks on retinal vessel segmentation, showing significant improvements in connectivity metrics compared to traditional methods while getting better or on-par performance on segmentation metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI