3D Vascular Segmentation Supervised by 2D Annotation of Maximum Intensity Projection

要約

血管構造のセグメンテーションは、医療分析や臨床応用において重要な役割を果たします。
完全に監視されたセグメンテーション モデルの実際の採用は、3D 空間で血管に注釈を付けるという複雑さと時間がかかる性質によって妨げられています。
これにより、高価なセグメンテーション アノテーションへの依存を減らす、弱く監視されたアプローチの探求が促進されました。
それにもかかわらず、点、境界ボックス、または落書きを含む臓器セグメンテーションで使用される既存の弱く教師ありの方法は、まばらな血管構造を処理する場合、次善のパフォーマンスを示しました。
この問題を軽減するために、最大強度投影 (MIP) を採用して、3D ボリュームの次元を 2D 画像に減らして効率的にアノテーションを付けます。2D ラベルは、3D 血管セグメンテーション モデルのトレーニングのガイダンスと監視を提供するために利用されます。
最初に、2D 投影の注釈を使用して 3D 血管の疑似ラベルを生成します。
続いて、2D ラベルの取得方法を考慮して、MIP を介して 2D-3D の深い特徴を融合する弱教師ネットワークを導入し、セグメンテーションのパフォーマンスをさらに向上させます。
さらに、信頼度学習と不確実性推定を統合して、生成された疑似ラベルを改良し、その後セグメンテーション ネットワークを微調整します。
私たちの手法は 5 つのデータセット (脳血管、大動脈、冠状動脈を含む) で検証されており、血管のセグメント化において非常に競争力のあるパフォーマンスを示し、血管のアノテーションに必要な時間と労力を大幅に削減できる可能性を示しています。
私たちのコードは https://github.com/gzq17/Weakly-Supervised-by-MIP から入手できます。

要約(オリジナル)

Vascular structure segmentation plays a crucial role in medical analysis and clinical applications. The practical adoption of fully supervised segmentation models is impeded by the intricacy and time-consuming nature of annotating vessels in the 3D space. This has spurred the exploration of weakly-supervised approaches that reduce reliance on expensive segmentation annotations. Despite this, existing weakly supervised methods employed in organ segmentation, which encompass points, bounding boxes, or graffiti, have exhibited suboptimal performance when handling sparse vascular structure. To alleviate this issue, we employ maximum intensity projection (MIP) to decrease the dimensionality of 3D volume to 2D image for efficient annotation, and the 2D labels are utilized to provide guidance and oversight for training 3D vessel segmentation model. Initially, we generate pseudo-labels for 3D blood vessels using the annotations of 2D projections. Subsequently, taking into account the acquisition method of the 2D labels, we introduce a weakly-supervised network that fuses 2D-3D deep features via MIP to further improve segmentation performance. Furthermore, we integrate confidence learning and uncertainty estimation to refine the generated pseudo-labels, followed by fine-tuning the segmentation network. Our method is validated on five datasets (including cerebral vessel, aorta and coronary artery), demonstrating highly competitive performance in segmenting vessels and the potential to significantly reduce the time and effort required for vessel annotation. Our code is available at: https://github.com/gzq17/Weakly-Supervised-by-MIP.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google