Segmentation-Aware Generative Reinforcement Network (GRN) for Tissue Layer Segmentation in 3-D Ultrasound Images for Chronic Low-back Pain (cLBP) Assessment

要約

セグメンテーション損失フィードバックを統合して、単一の段階で画像生成とセグメンテーションの両方のパフォーマンスを最適化するGenerative Renuferation Network（GRN）と呼ばれる新しいセグメンテーション対応の共同トレーニングフレームワークを紹介します。
セグメンテーションガイドエンハンスメント（SGE）と呼ばれる画像拡張手法も開発されており、発電機はセグメンテーションモデル専用に調整された画像を生成します。
GRNの2つのバリアントも開発されました。これには、サンプル効率の高い学習（GRN-SEL）のGRNと、半監視学習（GRN-SSL）用のGRNが含まれます。
GRNのパフォーマンスは、29人の被験者からの69個の完全に注釈付きの3D超音波スキャンのデータセットを使用して評価されました。
注釈には、真皮、表在性脂肪、表在性筋膜膜（SFM）、深部脂肪、深部筋膜膜（DFM）、および筋肉の6つの解剖学的構造が含まれていました。
我々の結果は、SGEを備えたGRN-SELは、完全にラベル付きのデータセットでトレーニングされたモデルと比較して、サイコロの類似性係数（DSC）の1.98％の改善を達成しながら、最大70％のラベルの取り組みを減らすことを示しています。
GRN-SELだけでラベル付けの取り組みを60％、SGEでGRN-SSLを削減し、標識要件を70％減らし、GRN-SSLのみを60％減少させ、すべて完全に監視されたモデルに匹敵するパフォーマンスを維持します。
これらの調査結果は、ラベル付けされたデータを大幅に低いデータで最適化する際のGRNフレームワークの有効性を示唆しており、超音波画像分析のためのスケーラブルで効率的なソリューションを提供し、データアノテーションに関連する負担を軽減します。

要約(オリジナル)

We introduce a novel segmentation-aware joint training framework called generative reinforcement network (GRN) that integrates segmentation loss feedback to optimize both image generation and segmentation performance in a single stage. An image enhancement technique called segmentation-guided enhancement (SGE) is also developed, where the generator produces images tailored specifically for the segmentation model. Two variants of GRN were also developed, including GRN for sample-efficient learning (GRN-SEL) and GRN for semi-supervised learning (GRN-SSL). GRN’s performance was evaluated using a dataset of 69 fully annotated 3D ultrasound scans from 29 subjects. The annotations included six anatomical structures: dermis, superficial fat, superficial fascial membrane (SFM), deep fat, deep fascial membrane (DFM), and muscle. Our results show that GRN-SEL with SGE reduces labeling efforts by up to 70% while achieving a 1.98% improvement in the Dice Similarity Coefficient (DSC) compared to models trained on fully labeled datasets. GRN-SEL alone reduces labeling efforts by 60%, GRN-SSL with SGE decreases labeling requirements by 70%, and GRN-SSL alone by 60%, all while maintaining performance comparable to fully supervised models. These findings suggest the effectiveness of the GRN framework in optimizing segmentation performance with significantly less labeled data, offering a scalable and efficient solution for ultrasound image analysis and reducing the burdens associated with data annotation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google