Progressive Dual Priori Network for Generalized Breast Tumor Segmentation

要約

乳房腫瘍セグメンテーション モデルの一般化能力を促進し、サイズが小さく、コントラストが低く、形状が不規則な乳腫瘍のセグメンテーション パフォーマンスを向上させるために、動的強化された乳房腫瘍から乳房腫瘍をセグメント化するプログレッシブ デュアル プリオリ ネットワーク (PDPNet) を提案します。
異なる部位で取得された磁気共鳴画像 (DCE-MRI)。
PDPNet は、最初に粗セグメンテーション ベースの位置特定モジュールを使用して腫瘍領域をトリミングし、次に弱い意味論的事前知識とクロススケール相関の事前知識を使用して乳房腫瘍マスクを徐々に洗練しました。
PDPNet の有効性を検証するために、私たちは PDPNet を多施設データセットに対するいくつかの最先端の方法と比較しました。
結果は、準最適な方法と比較して、PDPNet の DSC、SEN、KAPPA、および HD95 がそれぞれ 3.63\%、8.19\%、5.52\%、および 3.66\% 改善されたことを示しました。
さらに、アブレーションを通じて、提案された位置特定モジュールが正常組織の影響を軽減できるため、モデルの汎化能力が向上することを実証しました。
弱いセマンティック事前分布により、腫瘍領域に焦点を当てることができ、小さな腫瘍や低コントラストの腫瘍の見逃しを回避できます。
クロススケール相関事前分布は、不規則な腫瘍の形状認識能力を促進するのに有益です。
したがって、それらを統一フレームワークに統合することで、多施設乳房腫瘍セグメンテーションのパフォーマンスが向上しました。

要約(オリジナル)

To promote the generalization ability of breast tumor segmentation models, as well as to improve the segmentation performance for breast tumors with smaller size, low-contrast amd irregular shape, we propose a progressive dual priori network (PDPNet) to segment breast tumors from dynamic enhanced magnetic resonance images (DCE-MRI) acquired at different sites. The PDPNet first cropped tumor regions with a coarse-segmentation based localization module, then the breast tumor mask was progressively refined by using the weak semantic priori and cross-scale correlation prior knowledge. To validate the effectiveness of PDPNet, we compared it with several state-of-the-art methods on multi-center datasets. The results showed that, comparing against the suboptimal method, the DSC, SEN, KAPPA and HD95 of PDPNet were improved 3.63\%, 8.19\%, 5.52\%, and 3.66\% respectively. In addition, through ablations, we demonstrated that the proposed localization module can decrease the influence of normal tissues and therefore improve the generalization ability of the model. The weak semantic priors allow focusing on tumor regions to avoid missing small tumors and low-contrast tumors. The cross-scale correlation priors are beneficial for promoting the shape-aware ability for irregual tumors. Thus integrating them in a unified framework improved the multi-center breast tumor segmentation performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google