Cardiac Adipose Tissue Segmentation via Image-Level Annotations

要約

心臓の異常の根底にある構造基質を自動的に特定することで、インターベンション治療のリアルタイムガイダンスを提供できる可能性があります。心筋組織基質の知識があれば、心房細動や心室性頻拍のような複雑な不整脈の治療において、治療の対象とすべき不整脈基質（すなわち、脂肪）を検出し、回避すべき重要な構造を特定することにより、治療をさらに最適化することが可能である。光コヒーレンス・トモグラフィー（OCT）は、このニーズに応えるためのリアルタイム・イメージング・モダリティである。既存の心臓画像解析のアプローチは、主に完全な教師あり学習法に依存しており、ピクセル単位のラベリングという労力のかかるアノテーションプロセスに悩まされるという欠点があります。ピクセル単位のラベリングの必要性を軽減するために、我々は、ヒトの心臓基質のOCT画像上の画像レベルのアノテーションを使用して、心臓脂肪組織のセグメンテーションのための2段階の深層学習フレームワークを開発する。特に、クラス活性化マッピングをスーパーピクセルセグメンテーションと統合し、心臓組織セグメンテーションで提起された疎組織種の課題を解決します。我々の研究は、自動的な組織分析の需要と、高品質なピクセル単位のアノテーションの欠如の間のギャップを埋めるものである。我々の知る限り、本研究は弱教師付き学習技術によってOCT画像上の心臓組織セグメンテーションに対処しようとする最初の研究である。我々は、体外式ヒト心臓OCTデータセットにおいて、画像レベルのアノテーションに対する我々の弱い教師付きアプローチが、ピクセル単位のアノテーションで訓練された完全教師付き手法と同等の性能を達成することを実証する。

要約(オリジナル)

Automatically identifying the structural substrates underlying cardiac abnormalities can potentially provide real-time guidance for interventional procedures. With the knowledge of cardiac tissue substrates, the treatment of complex arrhythmias such as atrial fibrillation and ventricular tachycardia can be further optimized by detecting arrhythmia substrates to target for treatment (i.e., adipose) and identifying critical structures to avoid. Optical coherence tomography (OCT) is a real-time imaging modality that aids in addressing this need. Existing approaches for cardiac image analysis mainly rely on fully supervised learning techniques, which suffer from the drawback of workload on labor-intensive annotation process of pixel-wise labeling. To lessen the need for pixel-wise labeling, we develop a two-stage deep learning framework for cardiac adipose tissue segmentation using image-level annotations on OCT images of human cardiac substrates. In particular, we integrate class activation mapping with superpixel segmentation to solve the sparse tissue seed challenge raised in cardiac tissue segmentation. Our study bridges the gap between the demand on automatic tissue analysis and the lack of high-quality pixel-wise annotations. To the best of our knowledge, this is the first study that attempts to address cardiac tissue segmentation on OCT images via weakly supervised learning techniques. Within an in-vitro human cardiac OCT dataset, we demonstrate that our weakly supervised approach on image-level annotations achieves comparable performance as fully supervised methods trained on pixel-wise annotations.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL