DIAS: A Comprehensive Benchmark for DSA-sequence Intracranial Artery Segmentation

要約

デジタルサブトラクションアンギオグラフィー（DSA）シーケンスにおける頭蓋内動脈（IA）の自動セグメンテーションは、IA関連疾患の診断と神経介入手術の指導において不可欠なステップです。
しかし、公的に利用可能なデータセットが不足しているため、この分野の研究は妨げられています。
この論文では、頭蓋内介入療法からの 120 個の DSA シーケンスで構成される IA セグメンテーション データセットである DIAS をリリースします。
このデータセットは、ピクセル単位のアノテーションに加えて、弱教師 IA セグメンテーション研究用の 2 種類の落書きアノテーションを提供します。
完全教師あり、弱教師あり、半教師あり学習アプローチを利用して、この困難なデータセットのパフォーマンスを評価するための包括的なベンチマークを提示します。
具体的には、次元削減モジュールを 2D/3D モデルに組み込んで DSA シーケンスで血管セグメンテーションを実現する方法を提案します。
弱教師あり学習の場合、落書き学習ベースの画像セグメンテーション フレームワーク SSCR を提案します。SSCR は、落書き監視と一貫性正則化で構成されます。
さらに、ラベルのない DSA シーケンスを利用してセグメンテーションのパフォーマンスを向上させるランダム パッチ ベースの自己トレーニング フレームワークを導入します。
DIAS データセットに関する私たちの広範な実験は、将来の研究および臨床応用の潜在的なベースラインとしてこれらの手法の有効性を実証しています。

要約(オリジナル)

Automatic segmentation of the intracranial artery (IA) in digital subtraction angiography (DSA) sequence is an essential step in diagnosing IA-related diseases and guiding neuro-interventional surgery. However, the lack of publicly available datasets has impeded research in this area. In this paper, we release DIAS, an IA segmentation dataset, consisting of 120 DSA sequences from intracranial interventional therapy. In addition to pixel-wise annotations, this dataset provides two types of scribble annotations for weakly supervised IA segmentation research. We present a comprehensive benchmark for evaluating the performance of this challenging dataset by utilizing fully-, weakly-, and semi-supervised learning approaches. Specifically, we propose a method that incorporates a dimensionality reduction module into a 2D/3D model to achieve vessel segmentation in DSA sequences. For weakly-supervised learning, we propose a scribble learning-based image segmentation framework, SSCR, which comprises scribble supervision and consistency regularization. Furthermore, we introduce a random patch-based self-training framework that utilizes unlabeled DSA sequences to improve segmentation performance. Our extensive experiments on the DIAS dataset demonstrate the effectiveness of these methods as potential baselines for future research and clinical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google