要約
医療画像分析におけるマルチオルガンセグメンテーションは、診断と治療計画に不可欠です。
ただし、さまざまなターゲットカテゴリのばらつきや複雑な背景からの干渉など、多くの要因がタスクを複雑にしています。
この論文では、変形可能な畳み込みv3(DCNV3)とマルチオブジェクトセグメンテーションの知識を利用して、特徴抽出、モデルアーキテクチャ、および損失制約の3つの側面で空間的に適応的な畳み込みネットワーク(SACNET)を最適化し、同時に異なるものの認識を高めます。
セグメンテーションターゲット。
まず、DCNV3と変圧器に似た一連のカスタマイズされたブロックレベルおよびアーキテクチャレベルのデザインを組み合わせた適応受容フィールドモジュール(ARFM)を提案します。
このモジュールは、さまざまなターゲットに従って受容フィールドを適応的に調整することにより、異なる臓器のユニークな機能をキャプチャできます。
第二に、ARFMをビルディングブロックとして利用して、SACNETのエンコーダーデコーダーを構築し、エンコーダーとデコーダーの間で部分的にパラメーターを共有し、ネットワークをより深くするのではなく広くします。
この設計は、共有された軽量デコーダーと、よりパラメーター効率の高い効果的なフレームワークを実現します。
最後に、セグメンテーションの簡単で複雑なクラスのバランスを改善するために、T-VMFダイスの損失とクロスエントロピー損失に基づいて、新しい連続性動的調整損失関数を提案します。
ACDCおよびSynapseの3Dスライスデータセットでの実験は、SACNETがいくつかの既存の方法と比較してマルチオルガンセグメンテーションタスクで優れたセグメンテーションパフォーマンスを提供することを示しています。
要約(オリジナル)
Multi-organ segmentation in medical image analysis is crucial for diagnosis and treatment planning. However, many factors complicate the task, including variability in different target categories and interference from complex backgrounds. In this paper, we utilize the knowledge of Deformable Convolution V3 (DCNv3) and multi-object segmentation to optimize our Spatially Adaptive Convolution Network (SACNet) in three aspects: feature extraction, model architecture, and loss constraint, simultaneously enhancing the perception of different segmentation targets. Firstly, we propose the Adaptive Receptive Field Module (ARFM), which combines DCNv3 with a series of customized block-level and architecture-level designs similar to transformers. This module can capture the unique features of different organs by adaptively adjusting the receptive field according to various targets. Secondly, we utilize ARFM as building blocks to construct the encoder-decoder of SACNet and partially share parameters between the encoder and decoder, making the network wider rather than deeper. This design achieves a shared lightweight decoder and a more parameter-efficient and effective framework. Lastly, we propose a novel continuity dynamic adjustment loss function, based on t-vMF dice loss and cross-entropy loss, to better balance easy and complex classes in segmentation. Experiments on 3D slice datasets from ACDC and Synapse demonstrate that SACNet delivers superior segmentation performance in multi-organ segmentation tasks compared to several existing methods.
arxiv情報
著者 | Lin Zhang,Wenbo Gao,Jie Yi,Yunyun Yang |
発行日 | 2025-02-07 16:20:38+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google