Muscle volume quantification: guiding transformers with anatomical priors

要約

筋肉量はスポーツにおいて有用な定量的バイオマーカーですが、変性筋骨格疾患の追跡にも役立ちます。
体積に加えて、医療画像から対象の筋肉をセグメント化することによって、他の形状バイオマーカーを抽出することもできます。
手動セグメンテーションは、非常に時間がかかるにもかかわらず、今日でもこのような測定のゴールドスタンダードです。
我々は、このような形態計測分析を支援するために、3D磁気共鳴画像上で下肢の18の筋肉を自動的にセグメンテーションする方法を提案します。
その性質上、MR 画像で観察した場合、さまざまな筋肉の組織は区別できません。
したがって、筋肉セグメンテーション アルゴリズムは外観に依存することはできず、輪郭の手がかりのみに依存します。
ただし、そのような輪郭は検出が難しく、その太さは被写体によって異なります。
上記の課題に対処するために、畳み込みブロックとビジュアル トランスフォーマー ブロックを組み合わせたハイブリッド アーキテクチャに基づくセグメンテーション アプローチを提案します。
私たちは、形状解析のための筋肉のセグメンテーションの文脈で、このようなハイブリッド構造の挙動を初めて調査しました。
一貫した解剖学的筋肉構成を考慮して、筋肉間の長距離関係を捉えるために変圧器ブロックに依存します。
解剖学的事前分布をさらに活用するために、この研究の 2 番目の貢献は、トレーニング データから推定された妥当な筋肉近傍の隣接行列に基づいて正則化損失を追加することにあります。
エリートアスリートの独自のデータベースに関する私たちの実験結果は、解剖学的事前正則化がより良い予測に有利に働きながら、比較的小規模で大容量のデータベースから複雑なハイブリッドモデルをトレーニングすることが可能であることを示しています。

要約(オリジナル)

Muscle volume is a useful quantitative biomarker in sports, but also for the follow-up of degenerative musculo-skelletal diseases. In addition to volume, other shape biomarkers can be extracted by segmenting the muscles of interest from medical images. Manual segmentation is still today the gold standard for such measurements despite being very time-consuming. We propose a method for automatic segmentation of 18 muscles of the lower limb on 3D Magnetic Resonance Images to assist such morphometric analysis. By their nature, the tissue of different muscles is undistinguishable when observed in MR Images. Thus, muscle segmentation algorithms cannot rely on appearance but only on contour cues. However, such contours are hard to detect and their thickness varies across subjects. To cope with the above challenges, we propose a segmentation approach based on a hybrid architecture, combining convolutional and visual transformer blocks. We investigate for the first time the behaviour of such hybrid architectures in the context of muscle segmentation for shape analysis. Considering the consistent anatomical muscle configuration, we rely on transformer blocks to capture the longrange relations between the muscles. To further exploit the anatomical priors, a second contribution of this work consists in adding a regularisation loss based on an adjacency matrix of plausible muscle neighbourhoods estimated from the training data. Our experimental results on a unique database of elite athletes show it is possible to train complex hybrid models from a relatively small database of large volumes, while the anatomical prior regularisation favours better predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google