Asymmetry Disentanglement Network for Interpretable Acute Ischemic Stroke Infarct Segmentation in Non-Contrast CT Scans

要約

非造影CT（NCCT）画像での正確な梗塞セグメンテーションは、コンピューター支援急性虚血性脳卒中（AIS）評価に向けた重要なステップです。
臨床診療では、通常、脳半球の左右対称の比較を使用して、病理学的異常を特定します。
最近の研究では、AISセグメンテーションを支援するための非対称性が調査されています。
ただし、以前のほとんどの対称性ベースの作業では、AISへの寄与を評価するときに、さまざまなタイプの非対称性が混在していました。
この論文では、より効果的で解釈可能なAISセグメンテーションのために、NCCTの病理学的非対称性と固有の解剖学的非対称性を自動的に分離する新しい非対称解きほぐしネットワーク（ADN）を提案します。
ADNは、最初に入力NCCTに基づいて非対称解きほぐしを実行します。これにより、さまざまなタイプの3D非対称マップが生成されます。
次に、合成の固有の非対称性が補正され、病理学の非対称性が顕著なNCCTボリュームが生成され、後でセグメンテーションネットワークへの入力として使用されます。
ADNのトレーニングには、ドメイン知識が組み込まれており、組織タイプを意識した正則化損失関数を採用して、臨床的に意味のある病理学的非対称性の抽出を促進します。
教師なし3D変換ネットワークと組み合わせることで、ADNはパブリックNCCTデータセットで最先端のAISセグメンテーションパフォーマンスを実現します。
優れたパフォーマンスに加えて、学習した臨床的に解釈可能な非対称マップは、AIS評価のより良い理解に向けた洞察も提供できると信じています。
私たちのコードはhttps://github.com/nihaomiao/MICCAI22_ADNで入手できます。

要約(オリジナル)

Accurate infarct segmentation in non-contrast CT (NCCT) images is a crucial step toward computer-aided acute ischemic stroke (AIS) assessment. In clinical practice, bilateral symmetric comparison of brain hemispheres is usually used to locate pathological abnormalities. Recent research has explored asymmetries to assist with AIS segmentation. However, most previous symmetry-based work mixed different types of asymmetries when evaluating their contribution to AIS. In this paper, we propose a novel Asymmetry Disentanglement Network (ADN) to automatically separate pathological asymmetries and intrinsic anatomical asymmetries in NCCTs for more effective and interpretable AIS segmentation. ADN first performs asymmetry disentanglement based on input NCCTs, which produces different types of 3D asymmetry maps. Then a synthetic, intrinsic-asymmetry-compensated and pathology-asymmetry-salient NCCT volume is generated and later used as input to a segmentation network. The training of ADN incorporates domain knowledge and adopts a tissue-type aware regularization loss function to encourage clinically-meaningful pathological asymmetry extraction. Coupled with an unsupervised 3D transformation network, ADN achieves state-of-the-art AIS segmentation performance on a public NCCT dataset. In addition to the superior performance, we believe the learned clinically-interpretable asymmetry maps can also provide insights towards a better understanding of AIS assessment. Our code is available at https://github.com/nihaomiao/MICCAI22_ADN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google