Robust Curve Detection in Volumetric Medical Imaging via Attraction Field

要約

身体部位の形状を理解することは、正確な医療診断のために極めて重要である。曲線は解剖学的構造を効果的に表現し、心臓血管、呼吸器、骨格の疾患に関連する医用画像アプリケーションで広く使用されている。従来の曲線検出手法は、多くの場合タスクに特化しており、領域固有の特徴に大きく依存しているため、その適用範囲が限定されている。本論文では、非分岐曲線を検出するための新しいアプローチを紹介する。このアプローチは、物体の向き、形状、位置に関する事前知識を必要としない。本手法は、(1)サブピクセルの精度を提供する引力場、(2)関心領域を限定し、目的の曲線から遠く離れた異常値を本質的に排除する近接性マップを予測するためにニューラルネットワークを使用する。我々は、多様な形態を持つ臨床に関連したいくつかのタスクで我々の曲線検出器をテストし、既存の方法を凌駕する印象的なサブピクセルレベルの精度を達成し、その汎用性と頑健性を強調した。さらに、この分野でのさらなる進歩を支援するために、将来の研究のベンチマークとなる大動脈の中心線とマスクの私的な注釈を提供します。データセットはhttps://github.com/neuro-ml/curve-detection。

要約(オリジナル)

Understanding body part geometry is crucial for precise medical diagnostics. Curves effectively describe anatomical structures and are widely used in medical imaging applications related to cardiovascular, respiratory, and skeletal diseases. Traditional curve detection methods are often task-specific, relying heavily on domain-specific features, limiting their broader applicability. This paper introduces a novel approach for detecting non-branching curves, which does not require prior knowledge of the object’s orientation, shape, or position. Our method uses neural networks to predict (1) an attraction field, which offers subpixel accuracy, and (2) a closeness map, which limits the region of interest and essentially eliminates outliers far from the desired curve. We tested our curve detector on several clinically relevant tasks with diverse morphologies and achieved impressive subpixel-level accuracy results that surpass existing methods, highlighting its versatility and robustness. Additionally, to support further advancements in this field, we provide our private annotations of aortic centerlines and masks, which can serve as a benchmark for future research. The dataset can be found at https://github.com/neuro-ml/curve-detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL