SIRE: scale-invariant, rotation-equivariant estimation of artery orientations using graph neural networks

要約

3D 医療画像で視覚化された血管の向きは、中心線の抽出とその後のセグメンテーションと視覚化に使用できる血管の形状の重要な記述子です。
動脈はさまざまなスケールやレベルで曲がりくねっており、その正確な向きを判断することは困難です。
最近の研究では、この目的のために 3D 畳み込みニューラル ネットワーク (CNN) が使用されていますが、CNN はさまざまな血管のサイズや向きに敏感です。
我々は、局所的な血管の方向に対するスケール不変、回転等変推定器である SIRE を紹介します。
SIRE はモジュール式であり、対称性の維持により一般化できます。
SIRE は、異なるサイズの複数の入れ子になった球状メッシュを並列で操作するゲージ等変メッシュ CNN (GEM-CNN) で構成されます。
各メッシュ上の特徴は、対応する球内の画像強度の投影です。
これらの特徴は球に固有のものであり、GEM-CNN と組み合わせることで SO(3) 等分散が生じます。
近似スケール不変性は、重み共有と対称最大関数を使用してマルチスケール予測を組み合わせることで実現されます。
したがって、SIRE は、さまざまな半径を持つ任意の方向を向いた血管で訓練され、幅広い口径と曲がりくねった血管に一般化できます。
さまざまなスケールの血管を含む 3 つのデータセット、血管モデル リポジトリ (VMR)、ASOCA 冠動脈セット、および腹部大動脈瘤 (AAA) のセットを使用して、SIRE の有効性を実証します。
SIRE をトレーニングするデータに関係なく、AAA を正確に追跡するセンターライン トラッカーに SIRE を組み込みます。
さらに、AAA のみでトレーニングした場合でも、SIRE を使用して冠状動脈を追跡できます。
結論として、SO(3) とスケール対称性を組み込むことで、SIRE はトレーニング ドメインの外側で血管の方向を決定でき、3D 医療画像内の血管の幾何学的解析に対する堅牢でデータ効率の高いソリューションを形成できます。

要約(オリジナル)

Blood vessel orientation as visualized in 3D medical images is an important descriptor of its geometry that can be used for centerline extraction and subsequent segmentation and visualization. Arteries appear at many scales and levels of tortuosity, and determining their exact orientation is challenging. Recent works have used 3D convolutional neural networks (CNNs) for this purpose, but CNNs are sensitive to varying vessel sizes and orientations. We present SIRE: a scale-invariant, rotation-equivariant estimator for local vessel orientation. SIRE is modular and can generalise due to symmetry preservation. SIRE consists of a gauge equivariant mesh CNN (GEM-CNN) operating on multiple nested spherical meshes with different sizes in parallel. The features on each mesh are a projection of image intensities within the corresponding sphere. These features are intrinsic to the sphere and, in combination with the GEM-CNN, lead to SO(3)-equivariance. Approximate scale invariance is achieved by weight sharing and use of a symmetric maximum function to combine multi-scale predictions. Hence, SIRE can be trained with arbitrarily oriented vessels with varying radii to generalise to vessels with a wide range of calibres and tortuosity. We demonstrate the efficacy of SIRE using three datasets containing vessels of varying scales: the vascular model repository (VMR), the ASOCA coronary artery set, and a set of abdominal aortic aneurysms (AAAs). We embed SIRE in a centerline tracker which accurately tracks AAAs, regardless of the data SIRE is trained with. Moreover, SIRE can be used to track coronary arteries, even when trained only with AAAs. In conclusion, by incorporating SO(3) and scale symmetries, SIRE can determine the orientations of vessels outside of the training domain, forming a robust and data-efficient solution to geometric analysis of blood vessels in 3D medical images.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google