Progressive Curriculum Learning with Scale-Enhanced U-Net for Continuous Airway Segmentation

要約

胸部CT画像における気道の継続的かつ正確なセグメンテーションは、術前の計画とリアルタイム気管支鏡検査のナビゲーションに不可欠です。
医療画像セグメンテーションの深い学習の進歩にもかかわらず、特に大規模および小さな枝の間のクラス内の不均衡とぼやけたCTスキャンの詳細のために、気道の連続性を維持することは依然として課題です。
これらの課題に対処するために、セグメンテーションの継続性を高めるために、プログレッシブカリキュラム学習パイプラインとスケール強化U-Net（SE-UNET）を提案します。
具体的には、当社のプログレッシブカリキュラム学習パイプラインは、メインエアウェイの抽出、小さな気道の識別、不連続性の修復という3つの段階で構成されています。
各段階でのトリミングサンプリング戦略により、さまざまなスケールの気道間の特徴の干渉が減り、クラス内の不均衡の課題に効果的に対処します。
3番目のトレーニング段階では、適応性トポロジ応答性損失（ATRL）を提示して、気道の連続性に焦点を当てるようにネットワークを導きます。
プログレッシブトレーニングパイプラインは同じSE-UNETを共有し、マルチスケールの入力と詳細情報エンハンサー（DIE）を統合して、情報の流れを強化し、小さな気道の複雑な詳細を効果的にキャプチャします。
さらに、より臨床的に関連する正確な分析を提供するために、堅牢な気道ツリー解析方法と階層的評価メトリックを提案します。
社内データセットとパブリックデータセットの両方での実験は、この方法が既存のアプローチを上回り、小さな気道の精度と気道木の完全性を大幅に改善することを示しています。
コードは公開時にリリースされます。

要約(オリジナル)

Continuous and accurate segmentation of airways in chest CT images is essential for preoperative planning and real-time bronchoscopy navigation. Despite advances in deep learning for medical image segmentation, maintaining airway continuity remains a challenge, particularly due to intra-class imbalance between large and small branches and blurred CT scan details. To address these challenges, we propose a progressive curriculum learning pipeline and a Scale-Enhanced U-Net (SE-UNet) to enhance segmentation continuity. Specifically, our progressive curriculum learning pipeline consists of three stages: extracting main airways, identifying small airways, and repairing discontinuities. The cropping sampling strategy in each stage reduces feature interference between airways of different scales, effectively addressing the challenge of intra-class imbalance. In the third training stage, we present an Adaptive Topology-Responsive Loss (ATRL) to guide the network to focus on airway continuity. The progressive training pipeline shares the same SE-UNet, integrating multi-scale inputs and Detail Information Enhancers (DIEs) to enhance information flow and effectively capture the intricate details of small airways. Additionally, we propose a robust airway tree parsing method and hierarchical evaluation metrics to provide more clinically relevant and precise analysis. Experiments on both in-house and public datasets demonstrate that our method outperforms existing approaches, significantly improving the accuracy of small airways and the completeness of the airway tree. The code will be released upon publication.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google