Synchronous Image-Label Diffusion Probability Model with Application to Stroke Lesion Segmentation on Non-contrast CT

要約

脳卒中病変容積は、急性虚血性脳卒中（AIS）患者の予後を評価するための重要な放射線学的測定値ですが、非造影CT（NCCT）スキャンで自動的に測定することは困難です。
最近の拡散確率モデルは、画像のセグメンテーションに使用できる可能性を示しています。
この論文では、マルコフ拡散プロセスを使用した NCCT 上の脳卒中病変セグメンテーションのために、新しい同期画像ラベル拡散確率モデル (SDPM) を提案します。
提案された SDPM は潜在変数モデル (LVM) に完全に基づいており、完全な確率論的な詳細を提供します。
ノイズ予測ストリームと並行して追加のネットストリームが導入され、最終的なラベルを効率的に推論するための初期のノイズを含むラベル推定値が取得されます。
指定された変分境界を最適化することにより、トレーニングされたモデルは、ノイズのある入力画像を考慮して参照用に複数のラベル推定値を推論できます。
提案されたモデルは、1 つの公開データセットと 2 つの非公開データセットを含む 3 つの脳卒中病変データセットで評価されました。
いくつかの U-net およびトランスベースのセグメンテーション方法と比較して、私たちが提案する SDPM モデルは最先端のパフォーマンスを達成できます。
コードは公開されています。

要約(オリジナル)

Stroke lesion volume is a key radiologic measurement for assessing the prognosis of Acute Ischemic Stroke (AIS) patients, which is challenging to be automatically measured on Non-Contrast CT (NCCT) scans. Recent diffusion probabilistic models have shown potentials of being used for image segmentation. In this paper, a novel Synchronous image-label Diffusion Probability Model (SDPM) is proposed for stroke lesion segmentation on NCCT using Markov diffusion process. The proposed SDPM is fully based on a Latent Variable Model (LVM), offering a complete probabilistic elaboration. An additional net-stream, parallel with a noise prediction stream, is introduced to obtain initial noisy label estimates for efficiently inferring the final labels. By optimizing the specified variational boundaries, the trained model can infer multiple label estimates for reference given the input images with noises. The proposed model was assessed on three stroke lesion datasets including one public and two private datasets. Compared to several U-net and transformer-based segmentation methods, our proposed SDPM model is able to achieve state-of-the-art performance. The code is publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google