FANCL: Feature-Guided Attention Network with Curriculum Learning for Brain Metastases Segmentation

要約

MR 画像における脳転移 (BM) の正確なセグメンテーションは、患者の診断と追跡にとって非常に重要です。
ディープ畳み込みニューラル ネットワーク (CNN) に基づく手法は、高いセグメンテーション パフォーマンスを達成しました。
しかし、畳み込み演算やプーリング演算によって重要な特徴情報が失われるため、CNN は依然として小さな BM セグメンテーションにおいて大きな課題に直面しています。
さらに、BM は不規則で健康な組織と混同されやすいため、モデルがトレーニング中に腫瘍構造を効果的に学習することが困難になります。
これらの問題に対処するために、この論文では、カリキュラム学習を伴う機能ガイド付き注意ネットワーク (FANCL) と呼ばれる新しいモデルを提案します。
CNN に基づいて、FANCL は入力画像とその特徴を利用して、異なるサイズの転移間の固有の関連性を確立します。これにより、小さな腫瘍による高レベルの特徴の損失を大きな腫瘍の情報で効果的に補うことができます。
さらに、FANCL はボクセルレベルのカリキュラム学習戦略を適用して、モデルが BM の構造と詳細を徐々に学習できるようにします。
また、カリキュラムの進行を組織化するためのカリキュラム マイニング ネットワークとして、さまざまな深さのベースライン モデルが採用されています。
BraTS-METS 2023 データセットの評価結果は、FANCL がセグメンテーションのパフォーマンスを大幅に向上させたことを示しており、私たちの手法の有効性が確認されています。

要約(オリジナル)

Accurate segmentation of brain metastases (BMs) in MR image is crucial for the diagnosis and follow-up of patients. Methods based on deep convolutional neural networks (CNNs) have achieved high segmentation performance. However, due to the loss of critical feature information caused by convolutional and pooling operations, CNNs still face great challenges in small BMs segmentation. Besides, BMs are irregular and easily confused with healthy tissues, which makes it difficult for the model to effectively learn tumor structure during training. To address these issues, this paper proposes a novel model called feature-guided attention network with curriculum learning (FANCL). Based on CNNs, FANCL utilizes the input image and its feature to establish the intrinsic connections between metastases of different sizes, which can effectively compensate for the loss of high-level feature from small tumors with the information of large tumors. Furthermore, FANCL applies the voxel-level curriculum learning strategy to help the model gradually learn the structure and details of BMs. And baseline models of varying depths are employed as curriculum-mining networks for organizing the curriculum progression. The evaluation results on the BraTS-METS 2023 dataset indicate that FANCL significantly improves the segmentation performance, confirming the effectiveness of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google