FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms

要約

医療画像のセグメンテーションは、医療画像内の関心地域を正確に識別および分離する上で重要な役割を果たします。
生成アプローチは、それぞれの構造に密接に関連するセグメンテーションマスクの統計的特性をモデル化するのに特に効果的です。
この作業では、署名された距離関数（SDF）を表すように設計された画像ガイド付き条件付きフローマッチングフレームワークであるFlowsDFを紹介し、次に、セグメンテーションマスクの暗黙的な分布を表します。
SDFを活用するという利点は、バイナリマスクのそれと比較すると、より自然な歪みです。
条件付きSDF分布の確率パスに関連付けられたベクトルフィールドの学習を通じて、フレームワークは、セグメンテーションマスクの正確なサンプリングと関連する統計測定の計算を可能にします。
この確率論的アプローチは、分散によって表される不確実性マップの生成も促進し、それにより、予測とさらなる分析の堅牢性の強化をサポートします。
公共の核および腺セグメンテーションデータセットで提案された方法の競争力を定性的かつ定量的に示し、医療画像セグメンテーションアプリケーションでの有用性を強調しています。

要約(オリジナル)

Medical image segmentation plays an important role in accurately identifying and isolating regions of interest within medical images. Generative approaches are particularly effective in modeling the statistical properties of segmentation masks that are closely related to the respective structures. In this work we introduce FlowSDF, an image-guided conditional flow matching framework, designed to represent the signed distance function (SDF), and, in turn, to represent an implicit distribution of segmentation masks. The advantage of leveraging the SDF is a more natural distortion when compared to that of binary masks. Through the learning of a vector field associated with the probability path of conditional SDF distributions, our framework enables accurate sampling of segmentation masks and the computation of relevant statistical measures. This probabilistic approach also facilitates the generation of uncertainty maps represented by the variance, thereby supporting enhanced robustness in prediction and further analysis. We qualitatively and quantitatively illustrate competitive performance of the proposed method on a public nuclei and gland segmentation data set, highlighting its utility in medical image segmentation applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google