HarmonySeg: Tubular Structure Segmentation with Deep-Shallow Feature Fusion and Growth-Suppression Balanced Loss

要約

容器や気道の木などの医療画像の管状構造の正確なセグメンテーションは、コンピューター支援診断、放射線療法、および外科的計画に重要です。
ただし、多様なサイズ、複雑なトポロジー、およびこれらの構造の（多くの場合）不完全なデータアノテーションに直面した場合、アルゴリズム設計には重要な課題が存在します。
HarmonySegという名前の新しい管状構造セグメンテーションフレームワークを提案することにより、これらの困難に対処します。
まず、さまざまな受容フィールドを備えた柔軟な畳み込みブロックを備えた深いシャロウのデコーダーネットワークを設計し、モデルが異なるスケールの管状構造に効果的に適応できるようにします。
第二に、潜在的な解剖学的領域を強調し、小さな管状構造のリコールを改善するために、血管マップを補助情報として組み込みます。
これらのマップは、浅くて深い融合モジュールを介して画像機能と整合しており、同時に不当な精度を維持するために不当な候補を排除します。
最後に、コンテキストと形状のプライアーを活用して管状構造の成長と抑制のバランスをとるト​​ポロジを含む損失関数を導入します。これにより、モデルは低品質で不完全な注釈を処理できます。
4つのパブリックデータセットで広範な定量的実験が行われます。
結果は、私たちのモデルが2Dおよび3D管状構造を正確にセグメント化し、既存の最先端の方法を上回ることができることを示しています。
プライベートデータセットの外部検証も、良好な一般化可能性を示しています。

要約(オリジナル)

Accurate segmentation of tubular structures in medical images, such as vessels and airway trees, is crucial for computer-aided diagnosis, radiotherapy, and surgical planning. However, significant challenges exist in algorithm design when faced with diverse sizes, complex topologies, and (often) incomplete data annotation of these structures. We address these difficulties by proposing a new tubular structure segmentation framework named HarmonySeg. First, we design a deep-to-shallow decoder network featuring flexible convolution blocks with varying receptive fields, which enables the model to effectively adapt to tubular structures of different scales. Second, to highlight potential anatomical regions and improve the recall of small tubular structures, we incorporate vesselness maps as auxiliary information. These maps are aligned with image features through a shallow-and-deep fusion module, which simultaneously eliminates unreasonable candidates to maintain high precision. Finally, we introduce a topology-preserving loss function that leverages contextual and shape priors to balance the growth and suppression of tubular structures, which also allows the model to handle low-quality and incomplete annotations. Extensive quantitative experiments are conducted on four public datasets. The results show that our model can accurately segment 2D and 3D tubular structures and outperform existing state-of-the-art methods. External validation on a private dataset also demonstrates good generalizability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google