Pancreas segmentation with probabilistic map guided bi-directional recurrent UNet

要約

医用画像データにおける膵臓のセグメンテーションは、膵臓の診断や治療において非常に重要である。しかし、膵臓の形状や体積は個体差が大きいため、完全畳み込みニューラルネットワーク（FCN）を用いた最新のアルゴリズムでも、セグメンテーションに多大な困難が伴うことが分かっています。具体的には、2次元の手法では空間情報が失われ、3次元の手法では計算量が多くなるという問題があります。そこで、スライス内情報とスライス間確率マップを融合し、局所的な3次元ハイブリッド正則化を行い、その後に双方向リカレントネットワーク最適化を行う確率マップ誘導型双方向リカレントUNet（PBR-UNet）手法を提案する。PBR-UNet法は、ピクセルレベルの確率マップを効率的に抽出する初期推定モジュールと、2.5次元U-Netアーキテクチャを通じてハイブリッド情報を伝搬する一次セグメンテーションモジュールから構成される。具体的には、入力画像と隣接スライスの確率マップをマルチチャンネルハイブリッドデータに結合し、セグメンテーションネットワーク全体のハイブリッド情報を階層的に集約することにより、局所的な3次元情報を推論する。また、双方向リカレント最適化機構を開発し、前方・後方双方向にハイブリッド情報を更新する。これにより、提案ネットワークは局所的な文脈情報を十分かつ最適に利用することができる。NIH Pancreas-CTデータセットを用いて定量的・定性的評価を行った結果、提案するPBR-UNet法は、他の最先端手法と比較して、より少ない計算コストでより良いセグメンテーション結果を達成することができた。

要約(オリジナル)

Pancreas segmentation in medical imaging data is of great significance for clinical pancreas diagnostics and treatment. However, the large population variations in the pancreas shape and volume cause enormous segmentation difficulties, even for state-of-the-art algorithms utilizing fully-convolutional neural networks (FCNs). Specifically, pancreas segmentation suffers from the loss of spatial information in 2D methods, and the high computational cost of 3D methods. To alleviate these problems, we propose a probabilistic-map-guided bi-directional recurrent UNet (PBR-UNet) architecture, which fuses intra-slice information and inter-slice probabilistic maps into a local 3D hybrid regularization scheme, which is followed by bi-directional recurrent network optimization. The PBR-UNet method consists of an initial estimation module for efficiently extracting pixel-level probabilistic maps and a primary segmentation module for propagating hybrid information through a 2.5D U-Net architecture. Specifically, local 3D information is inferred by combining an input image with the probabilistic maps of the adjacent slices into multichannel hybrid data, and then hierarchically aggregating the hybrid information of the entire segmentation network. Besides, a bi-directional recurrent optimization mechanism is developed to update the hybrid information in both the forward and the backward directions. This allows the proposed network to make full and optimal use of the local context information. Quantitative and qualitative evaluation was performed on the NIH Pancreas-CT dataset, and our proposed PBR-UNet method achieved better segmentation results with less computational cost compared to other state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL