Weakly-Supervised Learning via Multi-Lateral Decoder Branching for Tool Segmentation in Robot-Assisted Cardiovascular Catheterization

要約

ロボット支援カテーテルゼットは、心血管疾患の治療における可能性について十分な注意を払っています。
ただし、外科医とロボットのコラボレーションを進めるには、特にタスク固有の自動化に関するさらなる研究が依然として必要です。
たとえば、自動化されたツールのセグメンテーションは、心臓手術中の血管内ツールの視覚化と追跡を外科医に支援することができます。
学習ベースのモデルは最先端のセグメンテーションパフォーマンスを実証していますが、完全に監視された方法のためのグラウンドトゥルースラベルを生成することは、労働集約的な時間摂取であり、費用がかかります。
この研究では、心血管血管造影データセットにおけるツールセグメンテーションのための多面的な擬似標識を備えた弱く監視された学習方法を提案します。
このメソッドは、1つのエンコーダーと複数の横方向に分岐したデコーダーを備えた変更されたU-Netアーキテクチャを使用します。
デコーダーは、さまざまな摂動の下で多様な擬似ラベルを生成し、利用可能な部分ラベルを増強します。
擬似ラベルは、デコーダー全体で共有された一貫性を持つ混合損失関数を使用して自己生成されます。
弱く監視されたモデルは、3つの心血管カテーテル測定手順から部分的に注釈付きの血管造影データを使用してエンドツーエンドで訓練され、検証されました。
検証結果は、モデルが完全に監視されたモデルにより近いことを実行できることを示しています。
また、提案されている弱く監視されている多面的な方法は、弱く監視された学習に使用される3つのよく知られている方法よりも優れており、3つの血管造影データセットで最高のセグメンテーションパフォーマンスを提供します。
さらに、多数のアブレーション研究により、さまざまなパラメーターの下でモデルの一貫したパフォーマンスが確認されました。
最後に、このモデルは、ロボット支援カテーテル測定実験でツールセグメンテーションに適用されました。
このモデルは、ガイドワイヤーとカテーテル用の高い接続インデックス、およびフレームあたり35 msの平均処理時間を使用した視覚化を強化しました。

要約(オリジナル)

Robot-assisted catheterization has garnered a good attention for its potentials in treating cardiovascular diseases. However, advancing surgeon-robot collaboration still requires further research, particularly on task-specific automation. For instance, automated tool segmentation can assist surgeons in visualizing and tracking of endovascular tools during cardiac procedures. While learning-based models have demonstrated state-of-the-art segmentation performances, generating ground-truth labels for fully-supervised methods is both labor-intensive time consuming, and costly. In this study, we propose a weakly-supervised learning method with multi-lateral pseudo labeling for tool segmentation in cardiovascular angiogram datasets. The method utilizes a modified U-Net architecture featuring one encoder and multiple laterally branched decoders. The decoders generate diverse pseudo labels under different perturbations, augmenting available partial labels. The pseudo labels are self-generated using a mixed loss function with shared consistency across the decoders. The weakly-supervised model was trained end-to-end and validated using partially annotated angiogram data from three cardiovascular catheterization procedures. Validation results show that the model could perform closer to fully-supervised models. Also, the proposed weakly-supervised multi-lateral method outperforms three well known methods used for weakly-supervised learning, offering the highest segmentation performance across the three angiogram datasets. Furthermore, numerous ablation studies confirmed the model’s consistent performance under different parameters. Finally, the model was applied for tool segmentation in a robot-assisted catheterization experiments. The model enhanced visualization with high connectivity indices for guidewire and catheter, and a mean processing time of 35 ms per frame.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google