Weakly Supervised Intracranial Hemorrhage Segmentation using Head-Wise Gradient-Infused Self-Attention Maps from a Swin Transformer in Categorical Learning

要約

頭蓋内出血（ICH）は生命を脅かす医療緊急事態であり、効果的な治療と患者の生存率の向上のためにはタイムリーで正確な診断が必要です。
深層学習技術は医用画像の分析および処理の主要なアプローチとして登場していますが、最も一般的に使用されている教師あり学習では、多くの場合、特にピクセル/ボクセル単位の画像セグメンテーションの場合、取得にコストがかかる大規模で高品質の注釈付きデータセットが必要です。
この課題に対処し、ICH 治療の決定を容易にするために、カテゴリラベルを使用した ICH 分類タスクでトレーニングされた Swin トランスフォーマーを利用した、ICH セグメンテーションのための新しい弱教師あり手法を導入します。
私たちのアプローチは、頭方向の勾配を注入したセルフ アテンション マップの階層的な組み合わせを利用して、正確な画像セグメンテーションを生成します。
さらに、さまざまな学習戦略に関する探索的研究を実施し、完全な ICH サブタイピングと比較して、バイナリ ICH 分類がセルフ アテンション マップにより良い影響を与えることを示しました。
平均 Dice スコア 0.44 で、私たちの技術は、完全な監視を備えた人気の U-Net および Swin-UNETR モデルと同様の ICH セグメンテーション パフォーマンスを達成し、GradCAM を使用した同様の弱く監視されたアプローチを上回りました。これは、困難な医療における提案されたフレームワークの優れた可能性を示しています。
画像セグメンテーションタスク。
私たちのコードは https://github.com/HealthX-Lab/HGI-SAM で入手できます。

要約(オリジナル)

Intracranial hemorrhage (ICH) is a life-threatening medical emergency that requires timely and accurate diagnosis for effective treatment and improved patient survival rates. While deep learning techniques have emerged as the leading approach for medical image analysis and processing, the most commonly employed supervised learning often requires large, high-quality annotated datasets that can be costly to obtain, particularly for pixel/voxel-wise image segmentation. To address this challenge and facilitate ICH treatment decisions, we introduce a novel weakly supervised method for ICH segmentation, utilizing a Swin transformer trained on an ICH classification task with categorical labels. Our approach leverages a hierarchical combination of head-wise gradient-infused self-attention maps to generate accurate image segmentation. Additionally, we conducted an exploratory study on different learning strategies and showed that binary ICH classification has a more positive impact on self-attention maps compared to full ICH subtyping. With a mean Dice score of 0.44, our technique achieved similar ICH segmentation performance as the popular U-Net and Swin-UNETR models with full supervision and outperformed a similar weakly supervised approach using GradCAM, demonstrating the excellent potential of the proposed framework in challenging medical image segmentation tasks. Our code is available at https://github.com/HealthX-Lab/HGI-SAM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google