Two-Stage Hybrid Supervision Framework for Fast, Low-resource, and Accurate Organ and Pan-cancer Segmentation in Abdomen CT

要約

腹部臓器と腫瘍のセグメンテーションには、臓器の定量化、手術計画、疾患の診断など、多くの重要な臨床応用があります。
ただし、手動による評価は本質的に主観的であり、専門家間および専門家内でかなりのばらつきがあります。
この論文では、部分的にラベル付けされたデータとラベル付けされていないデータを使用して腹部臓器と腫瘍をセグメンテーションするための自己トレーニングと平均教師を統合するハイブリッド教師ありフレームワーク StMt を提案します。
2 段階のセグメンテーション パイプラインと全体ボリューム ベースの入力戦略を導入し、推論時間と GPU メモリ使用量の要件を満たしながらセグメンテーションの精度を最大化します。
FLARE2023 の検証セットでの実験では、私たちの方法が優れたセグメンテーション パフォーマンスと、高速で低リソースのモデル推論を実現することが実証されました。
私たちの方法は、検証セットの臓器と病変に対して 89.79% と 45.55% の平均 DSC スコアを達成し、GPU メモリ時間硬化下の平均実行時間と面積はそれぞれ 11.25 秒と 9627.82MB でした。

要約(オリジナル)

Abdominal organ and tumour segmentation has many important clinical applications, such as organ quantification, surgical planning, and disease diagnosis. However, manual assessment is inherently subjective with considerable inter- and intra-expert variability. In the paper, we propose a hybrid supervised framework, StMt, that integrates self-training and mean teacher for the segmentation of abdominal organs and tumors using partially labeled and unlabeled data. We introduce a two-stage segmentation pipeline and whole-volume-based input strategy to maximize segmentation accuracy while meeting the requirements of inference time and GPU memory usage. Experiments on the validation set of FLARE2023 demonstrate that our method achieves excellent segmentation performance as well as fast and low-resource model inference. Our method achieved an average DSC score of 89.79\% and 45.55 \% for the organs and lesions on the validation set and the average running time and area under GPU memory-time cure are 11.25s and 9627.82MB, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google