Extremely weakly-supervised blood vessel segmentation with physiologically based synthesis and domain adaptation

要約

腎機能の正確な分析とモデリングには、腎血管の正確なセグメンテーションが必要です。
マイクロ CT スキャンは、より高い解像度の画像データを提供し、腎皮質近くのより多くの小血管を可視化します。
深層学習ベースの手法は自動血管セグメンテーションにおいて最先端のパフォーマンスを示していますが、大量のラベル付きトレーニング データが必要です。
ただし、マイクロ CT スキャンでのボクセルごとのラベル付けは、ボリューム サイズが大きいため、非常に時間がかかります。
この問題を軽減するために、ラベルのないスキャンで生成モデルをトレーニングすることによって、シミュレートされたツリーの対応するスキャンを生成しながら、合成腎血管ツリーを生理学的にシミュレートします。
これにより、画像取得プロセスをエミュレートする明示的な関数を必要とせずに、生成モデルが暗黙的にマッピングを学習できるようになります。
さらに、生成されたスキャンでトレーニングされた生成モデルに対する追加のセグメンテーション ブランチを提案します。
このモデルが実際のスキャンで血管を直接セグメント化できることを実証し、ラット腎臓の 3D マイクロ CT スキャンと 2D 網膜画像での概念実証実験の両方でメソッドを検証します。
コードと 3D の結果は https://github.com/miccai2023anony/RenalVesselSeg で入手できます。

要約(オリジナル)

Accurate analysis and modeling of renal functions require a precise segmentation of the renal blood vessels. Micro-CT scans provide image data at higher resolutions, making more small vessels near the renal cortex visible. Although deep-learning-based methods have shown state-of-the-art performance in automatic blood vessel segmentations, they require a large amount of labeled training data. However, voxel-wise labeling in micro-CT scans is extremely time-consuming given the huge volume sizes. To mitigate the problem, we simulate synthetic renal vascular trees physiologically while generating corresponding scans of the simulated trees by training a generative model on unlabeled scans. This enables the generative model to learn the mapping implicitly without the need for explicit functions to emulate the image acquisition process. We further propose an additional segmentation branch over the generative model trained on the generated scans. We demonstrate that the model can directly segment blood vessels on real scans and validate our method on both 3D micro-CT scans of rat kidneys and a proof-of-concept experiment on 2D retinal images. Code and 3D results are available at https://github.com/miccai2023anony/RenalVesselSeg

arxiv情報

提供元, 利用サービス

arxiv.jp, Google