M3D-NCA: Robust 3D Segmentation with Built-in Quality Control

要約

医療画像のセグメンテーションは、UNet ベースのアーキテクチャなどの大規模な深層学習モデルに大きく依存しています。
ただし、このようなモデルの現実世界での有用性は、高い計算要件によって制限されるため、プライマリケア施設や紛争地帯などのリソースに制約のある環境では実用的ではありません。
さらに、イメージング領域の変化により、これらのモデルが無効になり、そのようなエラーが検出されない場合、患者の安全性が損なわれる可能性さえあります。
これらの課題に対処するために、私たちは、n レベルのパッチ化を使用して 3D 医療画像の Neural Cellular Automata (NCA) セグメンテーションを活用する新しい方法論である M3D-NCA を提案します。
さらに、M3D-NCA の差異を利用して、NCA のセグメンテーション プロセスにおけるエラーを自動的に検出できる新しい品質指標を開発します。
M3D-NCA は、海馬と前立腺のセグメンテーションにおいて 2 桁大きい UNet モデルよりも 2% Dice 優れており、Raspberry Pi 4 モデル B (2GB RAM) で実行できます。
これは、リソースに制約のある環境における医療画像セグメンテーションの効果的かつ効率的な代替手段としての M3D-NCA の可能性を強調しています。

要約(オリジナル)

Medical image segmentation relies heavily on large-scale deep learning models, such as UNet-based architectures. However, the real-world utility of such models is limited by their high computational requirements, which makes them impractical for resource-constrained environments such as primary care facilities and conflict zones. Furthermore, shifts in the imaging domain can render these models ineffective and even compromise patient safety if such errors go undetected. To address these challenges, we propose M3D-NCA, a novel methodology that leverages Neural Cellular Automata (NCA) segmentation for 3D medical images using n-level patchification. Moreover, we exploit the variance in M3D-NCA to develop a novel quality metric which can automatically detect errors in the segmentation process of NCAs. M3D-NCA outperforms the two magnitudes larger UNet models in hippocampus and prostate segmentation by 2% Dice and can be run on a Raspberry Pi 4 Model B (2GB RAM). This highlights the potential of M3D-NCA as an effective and efficient alternative for medical image segmentation in resource-constrained environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google