Multi-task Learning To Improve Semantic Segmentation Of CBCT Scans Using Image Reconstruction

要約

セマンティック セグメンテーションは医療画像処理における重要なタスクであり、臓器や腫瘍などの病変をセグメント化するために不可欠です。
この研究では、マルチタスク学習を通じて CBCT の自動セグメンテーションを改善することを目的としています。
さまざまなボリューム品質への影響を評価するために、CT Liver Tumor Segmentation Benchmark (LiTS) データセットから CBCT データセットが合成されます。
セグメンテーションを改善するために、2 つのアプローチが調査されます。
まず、マルチタスク学習を実行して、ボリューム再構成タスクを通じて形態ベースの正則化を追加します。
次に、この再構成タスクを使用して最高品質の CBCT (元の CT に最も似ている) を再構成し、ノイズ除去効果を促進します。
私たちは総合的なアプローチとパッチベースのアプローチの両方を検討します。
私たちの調査結果は、特にパッチベースのアプローチを使用した場合、マルチタスク学習によりほとんどの場合セグメンテーションが改善されること、そしてこれらの結果はノイズ除去アプローチによってさらに改善できることが明らかになりました。

要約(オリジナル)

Semantic segmentation is a crucial task in medical image processing, essential for segmenting organs or lesions such as tumors. In this study we aim to improve automated segmentation in CBCTs through multi-task learning. To evaluate effects on different volume qualities, a CBCT dataset is synthesised from the CT Liver Tumor Segmentation Benchmark (LiTS) dataset. To improve segmentation, two approaches are investigated. First, we perform multi-task learning to add morphology based regularization through a volume reconstruction task. Second, we use this reconstruction task to reconstruct the best quality CBCT (most similar to the original CT), facilitating denoising effects. We explore both holistic and patch-based approaches. Our findings reveal that, especially using a patch-based approach, multi-task learning improves segmentation in most cases and that these results can further be improved by our denoising approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google