Cascaded multitask U-Net using topological loss for vessel segmentation and centerline extraction

要約

血管のセグメンテーションと中心線の抽出は、血管疾患を扱う多くのコンピューター支援診断ツールにとって重要な予備タスクです。
最近、深層学習ベースの手法がこれらのタスクに広く適用されています。
しかし、古典的な深層学習アプローチは、ほとんどのアプリケーションで最も重要な血管ネットワークの複雑な形状と特定のトポロジーを捕捉するのに苦労しています。
これらの制限を克服するために、血管の中心線に焦点を当てたトポロジカル損失である clDice 損失が最近提案されました。
この損失には、提案されたソフト スケルトン アルゴリズムを使用して、グラウンド トゥルースと予測セグメンテーションの両方のスケルトンを計算する必要があります。
ただし、ソフトスケルトン アルゴリズムは 3D 画像では次善の結果を提供するため、clDice は 3D 画像にはほとんど適していません。
この論文では、ソフトスケルトン アルゴリズムをセグメンテーションから直接血管骨格を計算する U-Net に置き換えることを提案します。
私たちの方法がソフトスケルトンアルゴリズムよりも正確なスケルトンを提供することを示します。
次に、このネットワーク上に clDice 損失でトレーニングされたカスケード U-Net を構築し、セグメンテーション中にトポロジー制約を埋め込みます。
結果として得られるモデルは、より正確なトポロジーで血管のセグメンテーションと中心線の両方を予測できます。

要約(オリジナル)

Vessel segmentation and centerline extraction are two crucial preliminary tasks for many computer-aided diagnosis tools dealing with vascular diseases. Recently, deep-learning based methods have been widely applied to these tasks. However, classic deep-learning approaches struggle to capture the complex geometry and specific topology of vascular networks, which is of the utmost importance in most applications. To overcome these limitations, the clDice loss, a topological loss that focuses on the vessel centerlines, has been recently proposed. This loss requires computing, with a proposed soft-skeleton algorithm, the skeletons of both the ground truth and the predicted segmentation. However, the soft-skeleton algorithm provides suboptimal results on 3D images, which makes the clDice hardly suitable on 3D images. In this paper, we propose to replace the soft-skeleton algorithm by a U-Net which computes the vascular skeleton directly from the segmentation. We show that our method provides more accurate skeletons than the soft-skeleton algorithm. We then build upon this network a cascaded U-Net trained with the clDice loss to embed topological constraints during the segmentation. The resulting model is able to predict both the vessel segmentation and centerlines with a more accurate topology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google