Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet

要約

未破裂頭蓋内動脈瘤 (UIA) の正確な特定と定量化は、この脳血管障害のリスク評価と治療にとって非常に重要です。
3D 磁気共鳴血管造影 (MRA) に関する現在の 2D 手動評価は最適とは言えず、時間がかかります。
さらに、医療画像のセグメンテーションにおける大きな問題の 1 つは、十分に注釈が付けられた大規模なデータの必要性であり、その取得に費用がかかる可能性があります。
粗いラベルを使用した弱教師あり学習など、この要件を軽減する手法が非常に望まれます。
この論文では、動脈瘤を検出し、飛行時間型 MRA 画像パッチから動脈瘤の初期粗セグメンテーションを提供する、新しい 3D 焦点変調 UNNet である FocalSegNet を提案します。このセグメンテーションは、高密度の条件付きランダム フィールド (CRF) でさらに洗練されます。
) 後処理レイヤーを使用して、最終的なセグメンテーション マップを生成します。
公開データセットでモデルをトレーニングおよび評価しました。UIA 検出に関して、モデルは 0.21 という低い偽陽性率と 0.80 という高い感度を示しました。
ボクセルごとの動脈瘤セグメンテーションでは、Dice スコア 0.68、95% ハウスドルフ距離 ~0.95 mm を達成し、その強力なパフォーマンスを実証しました。
私たちは、最先端の 3D Residual-UNet および Swin-UNETR に対してアルゴリズムを評価し、提案した FocalSegNet の優れたパフォーマンスを実証し、このタスクに焦点変調を採用する利点を強調しました。

要約(オリジナル)

Accurate identification and quantification of unruptured intracranial aneurysms (UIAs) is crucial for the risk assessment and treatment of this cerebrovascular disorder. Current 2D manual assessment on 3D magnetic resonance angiography (MRA) is suboptimal and time-consuming. In addition, one major issue in medical image segmentation is the need for large well-annotated data, which can be expensive to obtain. Techniques that mitigate this requirement, such as weakly supervised learning with coarse labels are highly desirable. In the paper, we propose FocalSegNet, a novel 3D focal modulation UNet, to detect an aneurysm and offer an initial, coarse segmentation of it from time-of-flight MRA image patches, which is further refined with a dense conditional random field (CRF) post-processing layer to produce a final segmentation map. We trained and evaluated our model on a public dataset, and in terms of UIA detection, our model showed a low false-positive rate of 0.21 and a high sensitivity of 0.80. For voxel-wise aneurysm segmentation, we achieved a Dice score of 0.68 and a 95% Hausdorff distance of ~0.95 mm, demonstrating its strong performance. We evaluated our algorithms against the state-of-the-art 3D Residual-UNet and Swin-UNETR, and illustrated the superior performance of our proposed FocalSegNet, highlighting the advantages of employing focal modulation for this task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google