Pelvic floor MRI segmentation based on semi-supervised deep learning

要約

MRI による骨盤臓器のセマンティックセグメンテーションには重要な臨床的意義があります。
最近、ディープラーニング対応のセマンティック セグメンテーションにより、骨盤底臓器の 3 次元幾何学的再構成が容易になり、臨床医に正確で直感的な診断結果が提供されます。
しかし、骨盤底 MRI セグメンテーションのラベル付け作業は通常臨床医によって行われ、多大な労力とコストがかかるため、ラベルが不足します。
セグメンテーションラベルが不十分であると、骨盤底臓器の正確なセグメンテーションと再構築が制限されます。
これらの問題に対処するために、骨盤臓器セグメンテーションのための半教師ありフレームワークを提案します。
このフレームワークの実装は 2 つの段階で構成されます。
最初の段階では、画像復元タスクを使用して自己教師ありの事前トレーニングを実行します。
その後、ラベル付きデータを使用してセグメンテーション モデルをトレーニングし、自己教師ありモデルの微調整が実行されます。
第 2 段階では、自己教師ありセグメンテーション モデルを使用して、ラベルのないデータの疑似ラベルを生成します。
最終的には、ラベル付きデータとラベルなしデータの両方が半教師ありトレーニングで利用されます。
評価すると、私たちの方法は骨盤臓器のセマンティックセグメンテーションと幾何学的再構成のパフォーマンスを大幅に向上させ、Dice 係数は平均して 2.65% 増加します。
特に子宮などのセグメント化が難しい器官の場合、セマンティック セグメンテーションの精度が最大 3.70% 向上します。

要約(オリジナル)

The semantic segmentation of pelvic organs via MRI has important clinical significance. Recently, deep learning-enabled semantic segmentation has facilitated the three-dimensional geometric reconstruction of pelvic floor organs, providing clinicians with accurate and intuitive diagnostic results. However, the task of labeling pelvic floor MRI segmentation, typically performed by clinicians, is labor-intensive and costly, leading to a scarcity of labels. Insufficient segmentation labels limit the precise segmentation and reconstruction of pelvic floor organs. To address these issues, we propose a semi-supervised framework for pelvic organ segmentation. The implementation of this framework comprises two stages. In the first stage, it performs self-supervised pre-training using image restoration tasks. Subsequently, fine-tuning of the self-supervised model is performed, using labeled data to train the segmentation model. In the second stage, the self-supervised segmentation model is used to generate pseudo labels for unlabeled data. Ultimately, both labeled and unlabeled data are utilized in semi-supervised training. Upon evaluation, our method significantly enhances the performance in the semantic segmentation and geometric reconstruction of pelvic organs, Dice coefficient can increase by 2.65% averagely. Especially for organs that are difficult to segment, such as the uterus, the accuracy of semantic segmentation can be improved by up to 3.70%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google