Deep Learning for Vascular Segmentation and Applications in Phase Contrast Tomography Imaging

要約

血管の変化は多くの病状を示すため、自動血管セグメンテーションは生物医学イメージングに不可欠です。
それでも、血管構造の複雑さ、患者間の解剖学的差異、注釈付きの公開データセットの不足、および画像の品質のため、正確なセグメンテーションは困難です。
徹底的な文献レビューを紹介し、さまざまな臓器にわたる機械学習技術の現状に焦点を当てます。
私たちの目標は、このトピックに関する基礎を提供し、新しいイメージングモダリティである階層型位相コントラスト断層撮影 (HiP CT) における血管セグメンテーションに適用するための堅牢なベースライン モデルを特定することです。
2020 年に欧州放射光施設に導入された HiP CT は、約 1000 万円という前例のない解像度で完全な臓器の 3D イメージングを可能にします。
ボクセルあたり 20mm、セクション化せずに選択した領域をボクセルあたり 1mm まで局所的にズームする機能を備えています。
Human Organ Atlas Project のコンテキストで、HiP CT で画像化された 3 つの腎臓からのダブル アノテーター検証済み血管データを含むトレーニング データセットを作成しました。
最後に、nnU Net モデルを利用して、容器固有の指標を使用して、よく知られたサンプルとまだ見たことのないサンプルの両方でモデルのパフォーマンスを評価する実験を実施します。
私たちの結果は、セグメンテーションによって clDice 値が 0.82 ～ 0.88 の範囲であるなど、かなり高いスコアが得られた一方で、特定のエラーが継続したことを示しています。
静水圧の不足により崩壊した大きな血管 (HiP CT は体外技術です) は、セグメント化が不十分でした。
さらに、より細い血管では接続性の低下と、血管の境界でのより高いセグメント化エラーが観察されました。
このようなエラーは、血管樹の接続を遮断するため、構造の理解を妨げます。
レビューと出力を通じて、特に HiP CT イメージング データベースを使用した、さまざまなモダリティを使用したその後のモデル評価のベンチマークを設定することを目指しています。

要約(オリジナル)

Automated blood vessel segmentation is vital for biomedical imaging, as vessel changes indicate many pathologies. Still, precise segmentation is difficult due to the complexity of vascular structures, anatomical variations across patients, the scarcity of annotated public datasets, and the quality of images. We present a thorough literature review, highlighting the state of machine learning techniques across diverse organs. Our goal is to provide a foundation on the topic and identify a robust baseline model for application to vascular segmentation in a new imaging modality, Hierarchical Phase Contrast Tomography (HiP CT). Introduced in 2020 at the European Synchrotron Radiation Facility, HiP CT enables 3D imaging of complete organs at an unprecedented resolution of ca. 20mm per voxel, with the capability for localized zooms in selected regions down to 1mm per voxel without sectioning. We have created a training dataset with double annotator validated vascular data from three kidneys imaged with HiP CT in the context of the Human Organ Atlas Project. Finally, utilising the nnU Net model, we conduct experiments to assess the models performance on both familiar and unseen samples, employing vessel specific metrics. Our results show that while segmentations yielded reasonably high scores such as clDice values ranging from 0.82 to 0.88, certain errors persisted. Large vessels that collapsed due to the lack of hydrostatic pressure (HiP CT is an ex vivo technique) were segmented poorly. Moreover, decreased connectivity in finer vessels and higher segmentation errors at vessel boundaries were observed. Such errors obstruct the understanding of the structures by interrupting vascular tree connectivity. Through our review and outputs, we aim to set a benchmark for subsequent model evaluations using various modalities, especially with the HiP CT imaging database.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google