NUDF: Neural Unsigned Distance Fields for high resolution 3D medical image segmentation

要約

医療画像のセグメンテーションは、各ピクセルまたはボクセルを特定の解剖学の内側または外側にラベル付けするタスクと見なされることがよくあります。
元のサイズと解像度で画像を処理すると、多くの場合、メモリの要件が克服できないことがよくありますが、画像をダウンサンプリングすると、重要な詳細が失われます。
バイナリボクセルグリッドで滑らかで連続的な表面を表現することを目指す代わりに、画像から直接神経署名されていない距離フィールド（NUDF）を学習することを提案します。
NUDFの小さなメモリ要件により、高解像度処理が可能になりますが、距離フィールドの連続性により、トポロジー（つまり、開いた表面）の形状の高解像度3Dメッシュモデルを作成できます。
コンピューター断層撮影（CT）画像からの左心房付属物（LAA）セグメンテーションのタスクに関する方法を評価します。
LAAは複雑で非常に可変的な形状であるため、離散ラベルマップを使用した従来のセグメンテーション方法で表現することは困難です。
提案された方法により、LAAの詳細をキャプチャする3Dメッシュモデルを予測し、CT画像のボクセル間隔の順序で精度を達成することができます。

要約(オリジナル)

Medical image segmentation is often considered as the task of labelling each pixel or voxel as being inside or outside a given anatomy. Processing the images at their original size and resolution often result in insuperable memory requirements, but downsampling the images leads to a loss of important details. Instead of aiming to represent a smooth and continuous surface in a binary voxel-grid, we propose to learn a Neural Unsigned Distance Field (NUDF) directly from the image. The small memory requirements of NUDF allow for high resolution processing, while the continuous nature of the distance field allows us to create high resolution 3D mesh models of shapes of any topology (i.e. open surfaces). We evaluate our method on the task of left atrial appendage (LAA) segmentation from Computed Tomography (CT) images. The LAA is a complex and highly variable shape, being thus difficult to represent with traditional segmentation methods using discrete labelmaps. With our proposed method, we are able to predict 3D mesh models that capture the details of the LAA and achieve accuracy in the order of the voxel spacing in the CT images.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google