MMOTU: A Multi-Modality Ovarian Tumor Ultrasound Image Dataset for Unsupervised Cross-Domain Semantic Segmentation

要約

卵巣がんは、最も有害な婦人科疾患の 1 つです。
コンピューター支援技術を使用して卵巣腫瘍を早期に検出すると、死亡率を効率的に低下させることができます。
医療水準の向上に伴い、超音波画像は臨床治療に広く応用されています。
しかし、最近の注目すべき手法は主に単一モダリティの超音波卵巣腫瘍のセグメンテーションまたは認識に焦点を当てており、マルチモダリティの超音波卵巣腫瘍画像の表現能力を探求する研究がまだ不足していることを意味します。
この問題を解決するために、我々は、1469 枚の 2D 超音波画像と、ピクセル単位およびグローバル単位の注釈が付いた 170 枚の造影超音波検査 (CEUS) 画像を含むマルチモダリティ卵巣腫瘍超音波 (MMOTU) 画像データセットを提案します。
MMOTUに基づいて、私たちは主に教師なしクロスドメインセマンティックセグメンテーションタスクに焦点を当てています。
ドメイン シフトの問題を解決するために、Dual-Scheme Domain-Selected Network (DS2Net) と呼ばれる機能調整ベースのアーキテクチャを提案します。
具体的には、まずソース画像とターゲット画像の 2 つのスタイル特徴を抽出するソース エンコーダとターゲット エンコーダを設計します。
次に、2 つのスタイル (ソース スタイルまたはターゲット スタイル) で個別の特徴と普遍的な特徴を抽出するために、Domain-Distinct Selected Module (DDSM) と Domain-Universal Selected Module (DUSM) を提案します。
最後に、これら 2 種類の特徴を融合し、ソース デコーダーとターゲット デコーダーに入力して、最終的な予測を生成します。
MMOTU 画像データセットに関する広範な比較実験と分析により、DS2Net が 2D 超音波画像と CEUS 画像の双方向クロスドメイン適応のセグメンテーション パフォーマンスを向上できることが示されています。
私たちが提案するデータセットとコードはすべて https://github.com/cv516Buaa/MMOTU_DS2Net で入手できます。

要約(オリジナル)

Ovarian cancer is one of the most harmful gynecological diseases. Detecting ovarian tumors in early stage with computer-aided techniques can efficiently decrease the mortality rate. With the improvement of medical treatment standard, ultrasound images are widely applied in clinical treatment. However, recent notable methods mainly focus on single-modality ultrasound ovarian tumor segmentation or recognition, which means there still lacks researches on exploring the representation capability of multi-modality ultrasound ovarian tumor images. To solve this problem, we propose a Multi-Modality Ovarian Tumor Ultrasound (MMOTU) image dataset containing 1469 2d ultrasound images and 170 contrast enhanced ultrasonography (CEUS) images with pixel-wise and global-wise annotations. Based on MMOTU, we mainly focus on unsupervised cross-domain semantic segmentation task. To solve the domain shift problem, we propose a feature alignment based architecture named Dual-Scheme Domain-Selected Network (DS2Net). Specifically, we first design source-encoder and target-encoder to extract two-style features of source and target images. Then, we propose Domain-Distinct Selected Module (DDSM) and Domain-Universal Selected Module (DUSM) to extract the distinct and universal features in two styles (source-style or target-style). Finally, we fuse these two kinds of features and feed them into the source-decoder and target-decoder to generate final predictions. Extensive comparison experiments and analysis on MMOTU image dataset show that DS2Net can boost the segmentation performance for bidirectional cross-domain adaptation of 2d ultrasound images and CEUS images. Our proposed dataset and code are all available at https://github.com/cv516Buaa/MMOTU_DS2Net.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google