HQColon: A Hybrid Interactive Machine Learning Pipeline for High Quality Colon Labeling and Segmentation

要約

高解像度の結腸セグメンテーションは、デジタル双子や個別化医療などの臨床および研究アプリケーションにとって重要です。
ただし、主要なオープンソースの腹部セグメンテーションツールであるTotalSegmentatorは、複雑で可変的な形状を持つ結腸の正確さに苦しんでおり、時間をかけたラベル付けを必要とします。
ここでは、最初の完全自動高解像度の結腸セグメンテーション法を紹介します。
それを開発するために、最初に、領域の成長とインタラクティブな機械学習を組み合わせて、CTコロノグラフィ（CTC）画像のコロンに効率的かつ正確にラベルを付けるパイプラインを使用して高解像度のコロンデータセットを作成しました。
435のラベル付きCTC画像で構成される生成されたデータセットに基づいて、完全に自動コロンセグメンテーションのためにNNU-NETモデルをトレーニングしました。
当社の完全自動モデルは、平均対称表面距離が0.2 mm（トータルセグメントターから4.0 mm）と1.0 mmの95パーセンタイルのハウドルフ距離（トータルセグメーターから18 mm）の距離を達成しました。
セグメンテーションの精度は、TotalSegmentatorを大幅に上回ります。
トレーニングされたモデルとパイプラインコードを共有し、高解像度のコロンセグメンテーションのための最初で唯一のオープンソースツールを提供します。
さらに、公開されている高解像度のコロンラベルの大規模なデータセットを作成しました。

要約(オリジナル)

High-resolution colon segmentation is crucial for clinical and research applications, such as digital twins and personalized medicine. However, the leading open-source abdominal segmentation tool, TotalSegmentator, struggles with accuracy for the colon, which has a complex and variable shape, requiring time-intensive labeling. Here, we present the first fully automatic high-resolution colon segmentation method. To develop it, we first created a high resolution colon dataset using a pipeline that combines region growing with interactive machine learning to efficiently and accurately label the colon on CT colonography (CTC) images. Based on the generated dataset consisting of 435 labeled CTC images we trained an nnU-Net model for fully automatic colon segmentation. Our fully automatic model achieved an average symmetric surface distance of 0.2 mm (vs. 4.0 mm from TotalSegmentator) and a 95th percentile Hausdorff distance of 1.0 mm (vs. 18 mm from TotalSegmentator). Our segmentation accuracy substantially surpasses TotalSegmentator. We share our trained model and pipeline code, providing the first and only open-source tool for high-resolution colon segmentation. Additionally, we created a large-scale dataset of publicly available high-resolution colon labels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google