A New Probabilistic V-Net Model with Hierarchical Spatial Feature Transform for Efficient Abdominal Multi-Organ Segmentation

要約

さまざまなモダリティの CT イメージングからの正確かつ堅牢な腹部多臓器セグメンテーションは、腹部臓器間の複雑な臓器間および臓器内の形状と外観の違いにより、困難な作業です。
この論文では、柔軟な臓器のセマンティックバリアントをキャプチャし、セグメンテーションをガイドするために学習したバリアントをさまざまなスケールの機能マップに挿入するために、階層的な空間的特徴変調を備えた確率論的多臓器セグメンテーションネットワークを提案します。
より具体的には、条件付き変分自動エンコーダーを介して入力分解モジュールを設計し、低次元の潜在空間で臓器固有の分布を学習し、入力画像に条件付けられたより豊富な臓器の意味的変化をモデル化します。次に、これらの学習した変化を V に統合することによって
– 空間的特徴変換を介して階層的にネットデコーダー。これは、バリエーションを条件付きアフィン変換パラメーターに変換して、空間的特徴マップを変調し、細かいスケールのセグメンテーションをガイドする機能を備えています。
提案された方法は、公開されている AbdomenCT-1K データセットでトレーニングされ、他の 2 つのオープン データセットで評価されます。つまり、AbdomenCT-1K の完全に監視された腹部臓器セグメンテーション ベンチマークからの 100 件の挑戦的/病理学的検査の患者ケースと、TCIA+&BTCV データセットからの 90 件のケースです。
肝臓、腎臓、脾臓、膵臓の 4 つの腹部臓器に対してこれらのデータセットを使用して、非常に競争力のある、または優れた定量的セグメンテーションの結果が達成されました。報告された Dice スコアは、腎臓で 7.3%、膵臓で 9.7% 改善されました。
ベースライン セグメンテーション メソッド (nnUNet および CoTr)。

要約(オリジナル)

Accurate and robust abdominal multi-organ segmentation from CT imaging of different modalities is a challenging task due to complex inter- and intra-organ shape and appearance variations among abdominal organs. In this paper, we propose a probabilistic multi-organ segmentation network with hierarchical spatial-wise feature modulation to capture flexible organ semantic variants and inject the learnt variants into different scales of feature maps for guiding segmentation. More specifically, we design an input decomposition module via a conditional variational auto-encoder to learn organ-specific distributions on the low dimensional latent space and model richer organ semantic variations that is conditioned on input images.Then by integrating these learned variations into the V-Net decoder hierarchically via spatial feature transformation, which has the ability to convert the variations into conditional Affine transformation parameters for spatial-wise feature maps modulating and guiding the fine-scale segmentation. The proposed method is trained on the publicly available AbdomenCT-1K dataset and evaluated on two other open datasets, i.e., 100 challenging/pathological testing patient cases from AbdomenCT-1K fully-supervised abdominal organ segmentation benchmark and 90 cases from TCIA+&BTCV dataset. Highly competitive or superior quantitative segmentation results have been achieved using these datasets for four abdominal organs of liver, kidney, spleen and pancreas with reported Dice scores improved by 7.3% for kidneys and 9.7% for pancreas, while being ~7 times faster than two strong baseline segmentation methods(nnUNet and CoTr).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google