Precise Few-shot Fat-free Thigh Muscle Segmentation in T1-weighted MRI

要約

タイトル：T1重み付きMRIにおける正確なFew-shot Fat-free大腿筋セグメンテーション

要約：

– 大腿筋の正確なボリュームは、大腿筋損失の様々な程度が生じる疾患の患者の運動機能を監視するために重要です。
– T1重み付きMRIは、筋肉と脂肪信号の対比のため、大腿筋マスクを取得するためのデフォルトの代替手段です。
– 深層学習アプローチは最近、セグメンテーションを通じてこれらのマスクを取得するために広く使用されています。
– しかし、正確な注釈の量が不十分であるため、深層学習アプローチによって生成される大腿筋マスクは、筋内脂肪（IMF）を筋肉として誤って分類する傾向があり、筋肉体積の解析に影響を与えることがあります。
– IMFは筋肉内に浸透するため、人間による注釈には専門知識と時間が必要であり、IMFが除外された正確な筋肉マスクは実践的に限られています。
– この問題を緩和するために、私たちはFew-shot分割フレームワークを提案しています。私たちのフレームワークは、新しい偽ラベル補正と評価スキーム、高信頼領域を活用するための新しいノイズ耐性損失を設計しています。
– 提案されたフレームワークは、微細注釈されたトレーニングデータセットの1％しか必要とせず、実験結果によると完全に監視された方法と同等の性能を発揮します。

要約(オリジナル)

Precise thigh muscle volumes are crucial to monitor the motor functionality of patients with diseases that may result in various degrees of thigh muscle loss. T1-weighted MRI is the default surrogate to obtain thigh muscle masks due to its contrast between muscle and fat signals. Deep learning approaches have recently been widely used to obtain these masks through segmentation. However, due to the insufficient amount of precise annotations, thigh muscle masks generated by deep learning approaches tend to misclassify intra-muscular fat (IMF) as muscle impacting the analysis of muscle volumetrics. As IMF is infiltrated inside the muscle, human annotations require expertise and time. Thus, precise muscle masks where IMF is excluded are limited in practice. To alleviate this, we propose a few-shot segmentation framework to generate thigh muscle masks excluding IMF. In our framework, we design a novel pseudo-label correction and evaluation scheme, together with a new noise robust loss for exploiting high certainty areas. The proposed framework only takes $1\%$ of the fine-annotated training dataset, and achieves comparable performance with fully supervised methods according to the experimental results.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI