Score-Based Generative Models for Medical Image Segmentation using Signed Distance Functions

要約

医用画像のセグメンテーションは、医用画像内の関心領域を正確に識別して分離する機能に依存する重要なタスクです。
これにより、生成的アプローチにより、それぞれの構造に依存するセグメンテーション マスクの統計的特性を取得できるようになります。
この研究では、セグメンテーション マスクの暗黙的な分布につながる符号付き距離関数 (SDF) を表す条件付きスコア ベースの生成モデリング フレームワークを提案します。
SDF を利用する利点は、バイナリ マスクと比較してより自然な歪みが得られることです。
SDF の条件付き分布のスコア関数を学習することで、セグメンテーション マスクの分布から正確にサンプリングでき、統計量の評価が可能になります。
したがって、この確率的表現により、分散によって表される不確実性マップの生成が可能になり、さらなる分析を支援し、予測の堅牢性を高めることができます。
我々は、公開されている核および腺セグメンテーションデータセットに対する提案された方法の競合パフォーマンスを定性的および定量的に示し、医療画像セグメンテーションアプリケーションにおけるその潜在的な有用性を強調します。

要約(オリジナル)

Medical image segmentation is a crucial task that relies on the ability to accurately identify and isolate regions of interest in medical images. Thereby, generative approaches allow to capture the statistical properties of segmentation masks that are dependent on the respective structures. In this work we propose a conditional score-based generative modeling framework to represent the signed distance function (SDF) leading to an implicit distribution of segmentation masks. The advantage of leveraging the SDF is a more natural distortion when compared to that of binary masks. By learning the score function of the conditional distribution of SDFs we can accurately sample from the distribution of segmentation masks, allowing for the evaluation of statistical quantities. Thus, this probabilistic representation allows for the generation of uncertainty maps represented by the variance, which can aid in further analysis and enhance the predictive robustness. We qualitatively and quantitatively illustrate competitive performance of the proposed method on a public nuclei and gland segmentation data set, highlighting its potential utility in medical image segmentation applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google