Scale-aware Test-time Click Adaptation for Pulmonary Nodule and Mass Segmentation

要約

肺結節および肺腫瘤は肺がんスクリーニングにおける重要な画像特徴であり、臨床診断では慎重な管理が必要です。
深層学習ベースの医療画像セグメンテーションは成功しましたが、さまざまなサイズの結節や腫瘤の病変に対する堅牢なパフォーマンスは依然として課題です。
この論文では、この課題に対処するために、スケールを意識したテスト時間適応を備えたマルチスケール ニューラル ネットワークを提案します。
具体的には、特に大きな病変の場合、セグメンテーションのパフォーマンスを向上させるために、テスト時間の合図として簡単に取得できる病変クリックに基づいた適応的なスケール認識テスト時間クリック適応方法を導入します。
提案された方法は、既存のネットワークにシームレスに統合できます。
オープンソースと社内のデータセットの両方に対する広範な実験により、一部の CNN および Transformer ベースのセグメンテーション手法と比べて、提案された手法の有効性が一貫して実証されています。
私たちのコードは https://github.com/SplinterLi/SaTTCA で入手できます。

要約(オリジナル)

Pulmonary nodules and masses are crucial imaging features in lung cancer screening that require careful management in clinical diagnosis. Despite the success of deep learning-based medical image segmentation, the robust performance on various sizes of lesions of nodule and mass is still challenging. In this paper, we propose a multi-scale neural network with scale-aware test-time adaptation to address this challenge. Specifically, we introduce an adaptive Scale-aware Test-time Click Adaptation method based on effortlessly obtainable lesion clicks as test-time cues to enhance segmentation performance, particularly for large lesions. The proposed method can be seamlessly integrated into existing networks. Extensive experiments on both open-source and in-house datasets consistently demonstrate the effectiveness of the proposed method over some CNN and Transformer-based segmentation methods. Our code is available at https://github.com/SplinterLi/SaTTCA

arxiv情報

提供元, 利用サービス

arxiv.jp, Google