Fuzzy Attention-based Border Rendering Network for Lung Organ Segmentation

要約

CT 画像上の肺臓器の自動セグメンテーションは、肺疾患の診断に不可欠です。
ただし、肺臓器の無制限のボクセル値とクラスの不均衡により、高度な方法では偽陰性/偽陽性や漏れの問題が発生する可能性があります。
さらに、細気管支や細動脈など、一部の細い肺器官はリサイクルダウン/アップサンプル手順中に簡単に失われ、深刻な不連続問題を引き起こします。
これらに触発されて、この論文では、ファジー アテンション ベース ボーダー レンダリング (FABR) ネットワークと呼ばれる効果的な肺器官セグメンテーション方法を紹介します。
ファジー ロジックは特徴抽出の不確実性を処理できるため、ディープ ネットワークとファジー セットの融合はパフォーマンスを向上させるための実行可能なソリューションとなるはずです。
一方、すべての規則的な密集点で動作する従来の最上位の手法とは異なり、当社の FABR は肺臓器領域をキューブツリーとして描写し、リサイクルサンプリングされた境界脆弱点のみに焦点を当て、著しく不連続な偽陰性/陽性臓器領域をレンダリングします。
新しい Global-Local Cube-tree Fusion (GLCF) モジュール。
気道と動脈の 4 つの困難なデータセットに関するすべての実験結果は、私たちの方法が良好なパフォーマンスを大幅に達成できることを示しています。

要約(オリジナル)

Automatic lung organ segmentation on CT images is crucial for lung disease diagnosis. However, the unlimited voxel values and class imbalance of lung organs can lead to false-negative/positive and leakage issues in advanced methods. Additionally, some slender lung organs are easily lost during the recycled down/up-sample procedure, e.g., bronchioles & arterioles, causing severe discontinuity issue. Inspired by these, this paper introduces an effective lung organ segmentation method called Fuzzy Attention-based Border Rendering (FABR) network. Since fuzzy logic can handle the uncertainty in feature extraction, hence the fusion of deep networks and fuzzy sets should be a viable solution for better performance. Meanwhile, unlike prior top-tier methods that operate on all regular dense points, our FABR depicts lung organ regions as cube-trees, focusing only on recycle-sampled border vulnerable points, rendering the severely discontinuous, false-negative/positive organ regions with a novel Global-Local Cube-tree Fusion (GLCF) module. All experimental results, on four challenging datasets of airway & artery, demonstrate that our method can achieve the favorable performance significantly.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google