Continuous and complete liver vessel segmentation with graph-attention guided diffusion

要約

接続性と完全性を改善することは、特に小さな船舶にとって、肝臓容器のセグメンテーションの最も困難な側面です。
これらの課題には、連続容器のジオメトリを学習することと、小さな血管検出に焦点を合わせることの両方が必要です。
ただし、現在の方法は、これらの2つの側面に明示的に対処せず、一貫性のない注釈によって制約された場合、適切に一般化することはできません。
ここでは、拡散モデルの一般化を活用し、拡散ベースのセグメンテーションモデルの接続性と完全性を明示的に統合します。
具体的には、容器ジオメトリに関する知識を追加するグラフアテンションモジュールを使用します。
さらに、複数のスケールでグラフアテンションを実行するため、小さな肝臓容器に焦点を当てています。
私たちの方法は、3D-arcadb-01とlivsの2つのパブリックデータセットで5つの最先端の医療セグメンテーション方法を上回ります。

要約(オリジナル)

Improving connectivity and completeness are the most challenging aspects of liver vessel segmentation, especially for small vessels. These challenges require both learning the continuous vessel geometry and focusing on small vessel detection. However, current methods do not explicitly address these two aspects and cannot generalize well when constrained by inconsistent annotations. Here, we take advantage of the generalization of the diffusion model and explicitly integrate connectivity and completeness in our diffusion-based segmentation model. Specifically, we use a graph-attention module that adds knowledge about vessel geometry. Additionally, we perform the graph-attention at multiple-scales, thus focusing on small liver vessels. Our method outperforms five state-of-the-art medical segmentation methods on two public datasets: 3D-ircadb-01 and LiVS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google