Versatile Medical Image Segmentation Learned from Multi-Source Datasets via Model Self-Disambiguation

要約

さまざまな機器やプロトコルで収集された画像データに適用できる汎用性の高い医用画像セグメンテーション モデルにより、モデルの展開とメンテナンスが容易になります。
ただし、このようなモデルを構築するには、通常、大規模で多様性があり、完全に注釈が付けられたデータセットが必要ですが、労働集約的でコストのかかるデータキュレーションのため、このデータセットを利用できることはほとんどありません。
この研究では、部分的またはまばらに注釈が付けられたセグメンテーション ラベルを含む、すぐに利用できるデータを利用することで、コスト効率の高い方法を開発します。
私たちは、モダリティ、データセット、セグメンテーション ラベル間のラベルの曖昧さや不均衡など、さまざまなソースからの一貫性のないラベルが付けられたデータに関連する課題に対処するために、モデルの自己曖昧性除去、事前知識の組み込み、不均衡の軽減のための戦略を考案します。
腹部臓器セグメンテーションのための 8 つの異なるソースからコンパイルされたマルチモーダル データセットの実験結果は、私たちの方法の有効性と代替の最先端の方法よりも優れたパフォーマンスを実証し、既存の注釈付きデータの使用を最適化し、アノテーションを削減する可能性を強調しています。
モデルの機能をさらに強化するための新しいデータへのアノテーションの取り組み。

要約(オリジナル)

A versatile medical image segmentation model applicable to imaging data collected with diverse equipment and protocols can facilitate model deployment and maintenance. However, building such a model typically requires a large, diverse, and fully annotated dataset, which is rarely available due to the labor-intensive and costly data curation. In this study, we develop a cost-efficient method by harnessing readily available data with partially or even sparsely annotated segmentation labels. We devise strategies for model self-disambiguation, prior knowledge incorporation, and imbalance mitigation to address challenges associated with inconsistently labeled data from various sources, including label ambiguity and imbalances across modalities, datasets, and segmentation labels. Experimental results on a multi-modal dataset compiled from eight different sources for abdominal organ segmentation have demonstrated our method’s effectiveness and superior performance over alternative state-of-the-art methods, highlighting its potential for optimizing the use of existing annotated data and reducing the annotation efforts for new data to further enhance model capability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google