Robust Curve Detection in Volumetric Medical Imaging via Attraction Field

要約

身体部分の形状を理解することは、正確な医療診断にとって非常に重要です。
曲線は解剖学的構造を効果的に描写し、心血管疾患、呼吸器疾患、骨格疾患に関連する医療画像アプリケーションで広く使用されています。
従来の曲線検出方法は多くの場合、タスク固有であり、ドメイン固有の機能に大きく依存しており、その広範な適用性が制限されています。
この論文では、オブジェクトの方向、形状、位置に関する事前の知識を必要としない、非分岐曲線を検出するための新しいアプローチを紹介します。
私たちの方法では、ニューラル ネットワークを使用して、(1) サブピクセル精度を提供するアトラクション フィールド、および (2) 関心領域を制限し、目的の曲線から遠く離れた外れ値を本質的に排除する近接マップを予測します。
私たちは、多様な形態を伴う臨床的に関連するいくつかのタスクで曲線検出器をテストし、既存の方法を上回る素晴らしいサブピクセルレベルの精度の結果を達成し、その多用途性と堅牢性を強調しました。
さらに、この分野のさらなる進歩をサポートするために、将来の研究のベンチマークとして機能する大動脈の中心線とマスクのプライベートアノテーションを提供しています。
データセットは https://github.com/neuro-ml/curve-detection にあります。

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, Google