Label merge-and-split: A graph-colouring approach for memory-efficient brain parcellation

要約

全脳分割では、大量の画像から何百ものセグメンテーション ラベルを推測する必要があるため、ディープ ラーニングのアプローチに重大な実用的な課題が生じます。
ラベルのマージと分割を導入します。これは、最初に学習ベースの全脳分割に必要なラベルの有効数を大幅に削減し、次に元のラベルを回復する方法です。
貪欲なグラフ色付けアルゴリズムを使用して、私たちの方法は、モデルのトレーニングと推論の前に、空間的に離れた複数のラベルを自動的にグループ化し、マージします。
マージされたラベルは意味的に無関係である可能性があります。
深層学習モデルは、マージされたラベルを予測するようにトレーニングされます。
推論時には、アトラスベースの影響領域を使用して元のラベルが復元されます。
私たちの実験では、提案されたアプローチはラベルの数を最大 68% 削減しながら、ラベルの結合や分割を行わずにベースライン手法と同等のセグメンテーション精度を達成しました。
さらに、モデルのトレーニングと推論の時間、および GPU メモリ要件が大幅に削減されました。
提案された方法は、アトラスベースの事前分布内で空間的に分離された多数のクラスを含むすべてのセマンティック セグメンテーション タスクに適用できます。

要約(オリジナル)

Whole brain parcellation requires inferring hundreds of segmentation labels in large image volumes and thus presents significant practical challenges for deep learning approaches. We introduce label merge-and-split, a method that first greatly reduces the effective number of labels required for learning-based whole brain parcellation and then recovers original labels. Using a greedy graph colouring algorithm, our method automatically groups and merges multiple spatially separate labels prior to model training and inference. The merged labels may be semantically unrelated. A deep learning model is trained to predict merged labels. At inference time, original labels are restored using atlas-based influence regions. In our experiments, the proposed approach reduces the number of labels by up to 68% while achieving segmentation accuracy comparable to the baseline method without label merging and splitting. Moreover, model training and inference times as well as GPU memory requirements were reduced significantly. The proposed method can be applied to all semantic segmentation tasks with a large number of spatially separate classes within an atlas-based prior.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google